再看Binder设计

虽然编者之前也介绍过Binder设计的一些文章，譬如：

• 一文看懂Binder设计
• AlphaProteo｜从头设计高亲和力Binder蛋白
• Binder设计大赛的结果启示
• BindCraft｜一站式设计高亲和力Binder
• RSO｜超越RFdiffusion的蛋白设计方法？

但最近读了些文献，发现Binder设计其实远远不止于此，看到了更广阔的一些东西。于是再梳理归纳一篇Binder的长文，Please Enjoy。

目录

1. 背景介绍

《一文看懂Binder设计》的文章中，已经介绍梳理了Binder设计的背景、模版设计、骨架设计、序列设计、筛选指标方法等。

《AlphaProteo｜从头设计高亲和力Binder蛋白》一文中，对AlphaProteo模型的生成器、过滤器、联合设计、是否为全原子设计、靶点选择、实验结果等方面进行了猜测和讨论。

《Binder设计大赛的结果》启示我们，不能盲目相信结构预测的置信度指标；设计工具、设计方案也可以多种多样，关键看怎么用好。

《BindCraft｜一站式设计高亲和力Binder》一文中，大师Sergey通过幻觉不断迭代优化Binder的Backbone，再结合solMPNN优化序列，整体pipeline也算是结构+序列的联合设计。之前EvoPro这类方案只是不断迭代设计序列，BindCraft表明不断迭代优化BackBone也很重要。另外，BindCraft给出了迄今为止最全面的Binder筛选指标。

大师Sergey的《RSO》也能进行Binder设计，论文中也有案例。RSO的优势在于对Hallucination考虑relax的序列，相对于RFdiffusion能设计出更合理的BackBone。

虽然虽然有如此多前人的优秀工作，Binder设计其实还有一些局限性、或一些有价值的应用场景未涉及，比如：

• RFdiffusion偏好生成α-helix的骨架，怎么生成含β-sheet的Binder？
• 针对IDR的靶点，如何设计Binder？是否有手性约束？
• 如何设计环肽的蛋白结合剂？
• Binder如何应用到CAR-T治疗中去？
• 缺乏PPI数据库，如何解决？

读者如果仔细看了上面的目录，这些问题，大概心中就有了答案。 也可以跟随编者，按照目录在下文中一点点展开，探索上述问题的答案。

2. 相关工作

2.1. 设计含β-strand的Binder

如果读者观察仔细，不难发现，目前的各种Binder设计方案都偏好于设计α-helix的Binder骨架，其中又以稳定的3-helix偏多。归纳如下：

• 曹龙兴2022年Nature，13个靶点，全是α-helix
• RFdiffusion, 5个靶点，全是α-helix
• BindCraft, 10个靶点，1个靶点的Binder含有β-strand
• MaSIF, 4个靶点，1个靶点的Binder含有β-strand
• AlphaProteo, 8个靶点，3个靶点的Binder含有β-strand

2.1.1 Knowledge Gap

为什么设计β-strand的结合Binder十分困难？

RFdiffusion在生成与目标蛋白表面区域形状互补的骨架方面表现出色[1]。也就是说，RFdiffusion在能生成合理几何特征的Binder骨架。

靶蛋白表面极性区域常存在暴露的氢键供体和受体，设计Binder必须精确定位与靶点的受体和供体相补充，以补偿与水失去的相互作用，但RFdiffusion这类算法并不总是实现氢键供体和受体的详细互补性[1]。也就是说，目前的Binder设计方案在化学特征上做的不是很好。

2.1.2 科学问题

本文[1]要解决的科学问题就β-strand的Binder设计。 许多疾病相关的靶蛋白具有β-sheets和未配对且暴露的β-strands，David Baker通过引入β-strand的condition，改进RFdiffusion，使其能设计的Binder能够互补β-sheet扭曲、弯曲、凸起等其他不规则特征。

上面这一段似乎也是在几何特征上改进，还是没解决文章[1]自己定义的Knowledge Gap，哈哈哈！也许还得靠后面出来的全原子Binder骨架设计模型发力！

注意⚠️：β-sheet是指多个（≥2）β-strand组成起来的二级结构，所以本论文基本用的都是单词β-strand。

2.1.3 Conditional RFdiffusion

下图1a是β-strand界面条件信息的展示。这部分展示了如何向RFdiffusion模型提供Condition条件信息，以便生成与靶蛋白边缘（edge β-strand，青色）配对的β-strand结合Binder。

Binder的Condition条件信息，包括期望的Binder残基二级结构和N×N块邻接矩阵（SS/ADJ，N是Binder的长度，绿色），该矩阵指定了二级结构块之间的期望邻接性。

Ineraction，条件信息，即：设计长度为L的β-strand（黄色）与靶蛋白的长度为T的edge β-strand（青色）结合。用算法将以上条件信息映射到张量tensor，RFdiffusion会调节靶蛋白-Binder的结合界面。将L个连续的Binder残基，分配给与靶点蛋白的edge β-strand结合。长度N的Binder其余部分（绿色）则没有提供条件信息，于是没有二级结构限制、相互作用限制。这里有点绕，归纳如下：

• 整个靶蛋白，其中有一小段为edge β-strand，青色
• 相互作用关键区域，Target edge β-strand（青色） ↔ Binder β-strand（黄色）
• Binder β-strand长度为L，L < N，是unmasked
• 整个Binder的长度为N，需提供二级结构SS和邻接矩阵ADJ信息

下图1b是RFdiffusion去噪轨迹示意图。上半部分是一般的RFdiffusion去去噪轨迹（top）。下半部分是提供β-strand界面条件信息的情况下，RFdiffusion去噪轨迹（bottom）。这表明条件信息对RFdiffusion的引导至关重要。

下图1c是对比β-strand SS/ADJ 与 仅使用热点hostpots（BFF4）条件下的Binder设计成功率。干实验成功率定义1为Rosetta < 30，干实验成功率定义2为AlphaFold2模型 iPAE < 10。可见，β-strand SS/ADJ条件下显著优与仅使用热点的RFdiffusion。

下图1d结构聚类表明生成的Binder确实含有β-strand，也表明β-strand界面条件可以引导RFdiffusion探索更广泛的蛋白结构空间，从而设计出结构更多样化的Binder。红色圆圈⭕️也说明β-strand condition有更高的in-silico成功率。1/2/3个α-helix的Binder明显减少，含有不少于1个β-strand的Binder数量明显增多。

2.1.4 实验结果

该论文图2对很多个靶点的设计β-strand Binder进行了湿实验验证，测试不同温度的CD曲线，拟合出二级结构的比例去估计Tm（下图2b）。测试不同浓度下的SPR响应值，拟合出蛋白-Binder的亲和力Kd（下图2c，亲和力范围从0.528-164 nM不等。

该论文图3还测试Binder与各靶点之间的特异性，特异性指针对靶点A设计的Binder A，只能结合靶点A，与靶点B/C/D不结合。

该论文图4还解析了一个靶点-Binder的复合物晶体结构，验证了计算设计和实验的一致性。

注⚠️：本文的conditional版本的RFdiffusion代码暂时还未开源。

2. 相关工作

2.2. 设计环肽的RFpeptides

可以看到RFpeptides [2] 的最后一个通讯是Gaurav Bhardwaj，他和David Baker一样也是华盛顿大学的，不过是在药学院不是在IPD。浏览其谷歌主页不难发现，Gaurav是多年一直深耕多肽环肽的研究（下图），今年也与David Baker合作发表了一篇关于大环分子的Science文章。

华盛顿大学已将RFpeptides授权给公司Vilya（https://vilyatx.com），这是一家IPD的衍生公司。Gaurav Bhardwaj和David Baker是该公司的联合创始人、顾问和股东。

2.2.1 设计哪一种环肽？

环肽其实有很多种成环的方式（下图），包括：

• Side chain-to-side chain
• Head-to-tail
• Tail-to-side chain
• Head-to-side chain

RFpeptides其实是最简单的一种成环方式，Head-to-tail首尾成环，通过形成酰胺键连接在一起。

2.2.2 RFpeptides的位置编码和多样性

位置编码： 在大环肽设计中，相对位置编码是关键，它通过在肽链的一半位置切换从正编码（“向右”）到负编码（“向左”）来实现循环。图1A展示了将循环对称的相对位置编码引入，使得RFdiffusion能够生成具有特定拓扑结构的大环肽。

图1D展示了大环肽链的相对位置编码是循环的（左上角）；除了图1D左上角之外，链与链之间和靶蛋白链的相对位置编码用标准的形式。

环肽的多样性：图1B展示了RFpeptides能够产生多样的循环肽，包括α-螺旋、β-折叠和环/线圈二级结构。

2.2.3 RFpeptides的流程

1. 骨架生成：使用位置编码改进的RFdiffusion生成大环肽骨架
2. 序列设计：用ProteinMPNN多轮迭代设计序列，Rosetta Relax实现局部构象优化
3. 结构预测：使用Sergey的AfCycDesign预测复合物结构
4. 筛选指标：结构预测置信度指标iPAE、pLDDT，RMSD<2Å，Rosetta的物理界面质量指标ddG、SAP、接触面积CMS等

2.2.4 实验结果

论文图2/3/4对多个靶点进行了实验验证，包括亲和力甚至共晶结构的解析。以其中一个靶点RbtA为例，介绍其实验结果。

下图4A，是靶点和环肽复合物结构示意图，可见环肽与靶点互补性特别好，在空腔里面；紫色显示的大环被设计为与灰色显示的细菌蛋白目标结合。

下图4B是SPR不同浓度的响应曲线，拟合出来的亲和力为9.4 nM；实验揭示了分子之间具有高亲和力的相互作用。

下图4C是预测的复合物结构和XRD实验解析的晶体结构Align；以及Align之后的界面对比放大的示意图；复合物结构RMSD误差仅有1.4埃米。

论文作者之一David Juergens说：“这对于药物设计的影响确实令人兴奋，因为大环肽可以在许多方面的优点、且可定制，而正常的肽和蛋白无法做到。” [14]

RFpeptides的工作标志着利用AI解决生物学的挑战又进一步。虽然它最初作为药物设计工具进行开发，但RFpeptides也可以用来创建诊断试剂以及用于医学研究之外的其他定制肽。

注⚠️：本文的RFpeptides代码暂时还未开源。

2. 相关工作

2.3. 蛋白IDR区域序列的特异性靶向

设计能够特异性结合内在无序蛋白区域（Intrinsically Disordered Regions, IDRs）的蛋白方面存在的挑战。

本文提出一种结合生物物理和深度学习的方案，通过多样化模板和RFdiffusion来针对IDRs生成结合蛋白，旨在填补上面指出的Knowledge Gap。

通过此方法，作者在39个靶蛋白上进行验证，每个靶点设计36个结合蛋白。其中34个亲和力优于100 nM，4个亲和力达到pM级别下图。表明该方法可能为IDRs识别的一种通用解决方案 [3]。

2.3.1. 设计流程

第一步：口袋生成

下图1c展示如何针对单个氨基酸或二肽构建结合口袋，类型包含单口袋E、单口袋RT、单口袋PV、双口袋PV等（全部口袋，见论文SI Table7），其中E、R、T、P、V是氨基酸的单字母类型。这些口袋能为目标肽的侧链形成相互作用或氢键等，也保证结构上兼容性互补性等。

第二步：口袋组装

下图1d展示了口袋组装（Pocket Assembly）。通过重新组合多个口袋，使用RFdiffusion生成它们之间的界面，以生成整体刚性结构（IDR的结合蛋白骨架，灰色，下面的拓展图1A-B）。然后生成很多个结合骨架的模板，口袋以不同的顺序和几何形状排列，以实现对一般IDR序列识别的能力。

第三步：线程

下图1a展示了线程（Threading）。将IDR目标序列穿过所有模板（上一步得到）的骨架Backbone，搜索最佳结合模式（template library search）。IDR为图1a中的多肽，IDR的结合蛋白为图1a中的灰色骨架。然后使用ProteinMPNN优化结合蛋白序列，接着AF2预测结构。如果AF2预测结果不佳，使用RFdiffusion调整设计特定的骨架和某些口袋。

第四步：细化

下图1b展示了细化（Refinement）。一是针对具有挑战性的极性或带电目标，或无法采用规则二级结构结合的靶点，通过RFdiffusion进行精确的氨基酸间相互作用的优化。二是使用RFdiffusion的部分扩散方法，对口袋、间隔和蛋白质背骨之间的“不匹配”进行高分辨率细化和扰动（下面的拓展图4）。将细化的结合蛋白骨架补充回模板库，以增加模板库的多样性和覆盖范围。

2.3.2. 实验结果

该论文图4a展示了靶点的名称，以及所对应的IDR氨基酸序列。图4b/c/d展示了结构示意图，SPR实验不同浓度的响应值，以及相应的亲和力Kd值。

该论文图3还解析了IDR-结合蛋白的复合物晶体结构，验证了计算设计和实验的一致性。

该论文图5还测试了功能性，以及IDR-结合蛋白之间的特异性，特异性是指针对靶点A设计的Binder A，只能结合靶点A，与靶点B/C/D不结合。

注⚠️：本文的代码暂时还未开源。

2. 相关工作

2.4. 扩散设计IDP蛋白的Binder

内在无序蛋白（Intrinsically Disordered Proteins, IDPs）和内在无序区域（Intrinsically Disordered Regions, IDRs）几乎占自然界蛋白的一半（49%）下图。

然而，设计能够特异性结合IDPs和IDRs的Binder方面，尚未有一套通用的方法论，存在巨大挑战。具体来说，这些困难包括[4]：

1. 自身结构多变：由于IDRs自身缺乏固定的结构，构象高度多变下图。

2. 结合构象多变：IDRs在结合过程中可能会发生构象变化，目前还没有好的方案解决。

本文通过改进RFdiffusion，比如：训练数据、训练策略、条件信息引入推理、双侧扩散（two-side diffusion）等，尝试解决以上的难题。填补了靶向IDPs/IDRs的Binder设计方面的知识空白。

原版RFdiffusion版本需要输入靶蛋白的结构，指定热点Hotspots的氨基酸，推理输出Binder蛋白的骨架。而这里，本文的RFdiffusion有3方面的改进：

• 仅输入靶蛋白序列，推理出靶点+Binder的复合物骨架
• 输入靶蛋白序列+靶蛋白部分二级结构，进行推理出Binder
• 双侧扩散（two-side diffusion），原版RFdiffusion是单侧扩散

2.4.1. RFdiffusion改进

这里的RFdiffusion版本，训练数据是含有2条链的蛋白骨架（N-Ca-C），模型被训练后，在只有靶蛋白序列的情况下，就能设计出特异性结合靶蛋白的Binder。这些Binder具有细微变化的螺旋构象（下图深蓝色）。

RFdiffusion的改进版本，还允许指定区域的二级结构及其序列。当提供相同的靶蛋白序列输入，但不同的二级结构类型（α-Helix或β-strand）时，靶蛋白与Binder的最终构象可能会有所不同（下图右边）。这种方法允许研究者指定目标区域的二级结构（如α-Helix或β-strand），从而更精确地控制生成的靶蛋白与Binder复合体的构象。

下图是双侧部分扩散的示意图。 RFdiffusion 对靶点和Binder的随机噪声安装起始父设计（下图左边Parent）进行去噪；通过初始噪声的不同噪声步的程度（top），可以控制引入的结构变化的程度（bottom）。

这种方法允许靶点和Binder同时发生构象变化。单侧部分扩散只多样化Binder的构象而保持靶点结构固定（下图），而双侧部分扩散允许更广泛的构象变化，从而可能找到更适合结合的构象。

2.4.2. 实验结果

文章对上表的6个不同的IDP靶点设计了Binder，并进行了湿实验的验证。下文编者随机选一个实验结果进行简单扼要的阐述。

图2a-d是Amylin的Binder设计：展示了针对Amylin设计的四种结合体（,,,），以及SPR实验验证的亲和力。下标αβ指代的是Binder包含的二级结构。

图2e-f是CP和VP48的Binder设计：同样展示了复合物结构和SPR亲和力响应图。通过仅输入序列输入扩散设计，得到的Binder。结果说明，即使在没有特定二级结构信息的情况下，改进版的RFdiffusion也能成功设计出高亲和力的Binder。

图2g-i是β-strand的Binder设计：三个不同的靶点都设计出β-strand的Binder，亲和力分别为11 nM, 14 nM, 和97 nM。

该论文图3还解析了靶点-Binder的复合物晶体结构，验证了计算设计和实验的一致性。

该论文图4还测试Binder与各靶点之间的特异性，特异性是指针对靶点A设计的Binder A，只能结合靶点A，与靶点B/C/D不结合。

注⚠️：本文的改进版的RFdiffusion代码暂时还未开源。

2. 相关工作

2.5. IDR的PPI是否有手性约束？

无序蛋白（IDPs）是一类在自然状态下缺乏固定三维结构的蛋白质，它们在生物体内扮演着重要的角色。尽管无序蛋白可以在复合物中保持无序状态并发挥功能，但是否受到手性约束一直是个疑问。

本文的Knowledge Gap就是在于理解无序蛋白复合物（intrinsically disordered protein complexes）是否受到手性约束（chiral constraints）的影响。具体来说，就是探究无序蛋白-蛋白相互作用，是否真正独立于立体化学的限制？以及在无序到有序的连续谱上，这些相互作用对手性的敏感性如何变化 [5]。

2.5.1. 蛋白的手性

下图a展示了左旋（L-）和右旋（D-）氨基酸的基本结构。L-氨基酸和D-氨基酸是彼此的镜像，它们不能相互重叠，这种特性被称为“手性”。在自然界中，绝大多数蛋白质由L-氨基酸构成，而D-氨基酸在生物体系中较为罕见。

下图b展示了L型-蛋白质和D型-蛋白之间的镜像关系。这种镜像关系意味着，如果一个D型-蛋白要与型蛋白形成PPI结合，它们必须在结构上能够互补。这对于理解蛋白质相互作用和药物设计具有重要意义。

2.5.2. 研究体系&问题

下图c展示论文中选择的五个蛋白-蛋白体系，它们覆盖了从完全无序到有序。这些蛋白-蛋白复合物体系包括：

• ProTα:H1（完全无序）
• RST: ANAC046、DREB2A和ANAC01（无序到有序之间）
• MCL1:PUMA（完全有序）

下图d通常情况下，L型-靶蛋白与L型-Binder能够发生结合。D型-Binder不能与L型-靶蛋白结合，本文的研究问题就是，这是否在IDP上也成立？

2.5.3. 实验结果

该论文图2是对完全无序的ProTα:H1，和完全有序的MCL1:PUMA体系的实验结果。

图2左边完全无序体系，证明无论是L型-还是D型-H1，对靶点ProTα的亲和力都是8μM左右。

图2右边完全有序体系，证明L型-PUMA与靶点MCL1禽类在1nM；而D型-PUMA与靶点亲和力在270μM，约等于无亲和力。

该论文图3是对无序到有序之间三个蛋白-单笔体系，RST: ANAC046、DREB2A和ANAC013，的实验结果验证。

图3左边无序程度最高体系，RST:ANAC046，L型-Binder与靶点亲和力650nM，L型-Binder为10μM；亲和力倍数差异最低。

图3中间无序程度中等体系，RST:DREB2A，L型-Binder与靶点亲和力250nM，L型-Binder为18μM；亲和力倍数差异中等。

图3右边无序程度最低体系，RST:ANAC013，L型-Binder与靶点亲和力81nM，L型-Binder为41μM；亲和力倍数差异最大。

2.5.4. 研究结论

下图4e说明了L型-靶蛋白与L型、D型Binder的结合亲和力差异，通过热力学分析，主要是L型 ⇌ D型的焓变（ΔH）和熵变（TΔS）不一样导致的。

下图4f总结了五个体系的手性敏感性。（L-和D-肽结合自由能的差异，浅灰色柱子），可见随着从无序到有序，这种结合能差异越大，也跟论文图2/3的亲和力差异倍数所一致。

/|| 是相对于L-肽结合自由能的损失倍数，这同样反映了五个体系的手性敏感性，从无序到有序，手性敏感性越来越强。

2. 相关工作

2.6. pMHC的Binder设计

本文是David Baker最新的Arxiv论文 [6]。一般抗原肽会先与MHC形成二元复合物pMHC，pMHC在体内接着与TCR，形成TCR-pMHC的三元复合物。这里设计的Binder就是代替TCR的角色。

输入是pMHC复合物，RFdiffusion设计Binder骨架要求结合到peptide上，然后序列用ProteinMPNN，最后结构预测再筛选。所以，David Baker还是采用一贯的流程进行蛋白从头设计，即：Backbone (RFdiffusion) --> Sequence (proteinMPNN) --> Structure (AF2) 。

最终实验上亲和力在纳摩尔级别。这篇论文已有解读不再多赘述，编者推荐感兴趣的读者阅读《David Baker｜靶向Peptide-MHCI复合物的高特异性Binder设计》。

3. Binder与CAR-T

3.1. 什么是CAR-T

一般的T细胞可以看作是保安，作用是抓住并消灭坏人（如：癌细胞等）。但保安嘛能力较弱，所以需要人工改造T细胞，嵌合抗原受体的CAR-T就是一种改造。CAR-T是在T细胞膜上嵌入了蛋白（上图橙色），scFv就能更强结合癌细胞上的抗原（如：CD19，上图黄色）。

嵌入在T细胞表面的蛋白，主要目的是结合抗原，所以这个蛋白可以是scFv、Binder等，anyway只要能抓住坏东西就行，所以Binder设计也能在CAR-T治疗中大显身手。

3.2. David Baker的Nature文章

这篇文章嵌入在细胞膜上的蛋白叫做，合成膜内蛋白水解受体（SNIPR）。本文设计了靶向两种可溶性免疫分子TGF-β和VEGF的SNIPR [7]，这两种分子通常在肿瘤环境周围高水平存在。也就是说，抗原坏人是TGF-β和VEGF。

这篇论文已有优秀的解读，编者推荐感兴趣的读者阅读《David Baker团队最新Nature：合成新型受体，创建更安全的CAR-T细胞疗法》。

3.3. 谢琦老师的NBE文章

scFv由单克隆抗体的轻链（VL）和重链（VH）通过Linker连接而成，因此scFv的重、轻链易发生错误聚集和折叠，结构稳定性较差，不仅影响了T细胞识别抗原细胞能力，还可引起非抗原依赖性的T细胞激活，导致T细胞的过早耗竭，极大的降低了CAR-T疗法的治疗效果 [8]。简而言之，scFv的CAR-T很弱鸡。

本文针对的是胶质母细胞瘤表面的高表达的肿瘤抗原EGFR和CD276。曹龙兴老师还是利用RifDock工具设计了这两个抗原的高亲和力迷你结合蛋白Binder。然后将Binder嵌入到T细胞膜上，代替原有的scFv。

这篇论文已有优秀的解读，编者推荐感兴趣的读者阅读《西湖实验室谢琦、曹龙兴团队联合开发基于从头蛋白质设计技术的CAR T疗法用于治疗胶质母细胞瘤》。

3.4. Andrea Schmidts的工作

前面2篇CAR-T文章编者都没有仔细展开，是因为已有报道。这一篇是刚放出来的arxiv文章（下图），简单展开，帮助大家了解Binder设计与CAR-T技术的联合应用。

尽管从头Binder设计（DNBs）的概念已经被提出，但它们在CAR-T疗法中的具体应用和效果尚未被充分探索 [9]。

如何通过计算方法设计出能够有效识别和结合特定抗原的DNBs，以及这些DNBs在实际的细胞疗法中的表现如何，这些都是需要进一步研究的问题。

如何利用DNBs开发个性化的癌症疗法，以及这些疗法在不同患者中的适用性和效果。

本文旨在通过将Binder设计与CAR-T结合，探索以上问题的答案。

本文的Binder设计方案，是和David Baker一致的常规方案。即：

1. RFdiffusion，得到Binder骨架
2. ProteinMPNN，设计Binder设计
3. AlphaFold2，预测蛋白-Binder复合物结构

这里针对的抗原是EGFR，它自身有相应的抗体scFV（H+L链）。从头设计Binder（DNBs）结合在抗原EGFR的其他表位上（下图a），然后与T细胞连接器（TCE）链接在一起。实验结果表明，Binder的CAR-T治疗效果，跟scFv的效果比较接近（下图b）。

本论文还有十分丰富的内容，编者偷个懒不再多讲述了，欢迎感兴趣的读者阅读原文。

4. 数据库AlphaSeq

初创公司A-Alpha Bio（https://www.aalphabio.com）最近的AlphaSeq数据库专注于蛋白质-蛋白质相互作用（protein-protein interaction, PPI），包含了超过7.5亿条测量结果，构成了世界上最大的PPI数据集 [10]。

Sadly，这是该公司的核心资产，目前未开源。如果这批数据能够开源，这对PPI蛋白设计、Binder设计方面做出巨大的贡献。甚至也有可能推动PPI的蛋白语言模型浮现。

编者写到这里，已经肝不动啦。欢迎对AlphaSeq数据库的同学拓展阅读《世界最大蛋白质相互作用数据集AlphaSeq横空出世》，或者阅读长文解读AlphaSeq的博客文章 [10]。

5. 讨论总结

本文首先介绍了Binder设计一些最近进展，包括：

• 含β-strand的Binder设计 [1]
• 环肽设计RFpeptides [2]
• IDR/IDP的Binder设计 [3][4]
• IDR的PPI是否有手性约束 [5]
• pMHC的Binder设计 [6]

而且，Sadly，David Baker这些文章还未见刊，所以代码都没有开源。

然后简单介绍了Binder设计应用到CAR-T癌症治疗的几篇文章[7][8][9]，最后几句话带过最大的PPI数据库AlphaSeq [10]。

参考文献

[1].β-strand Binder: Sappington, Isaac, et al. "Improved protein binder design using beta-pairing targeted RFdiffusion." bioRxiv (2024): 2024-10.

[2].RFpeptides: Rettie, Stephen, et al. "Accurate de novo design of high-affinity protein binding macrocycles using deep learning." bioRxiv (2024): 2024-11.

[3].IDR Binder: Wu, Kejia, et al. "Sequence-specific targeting of intrinsically disordered protein regions." bioRxiv (2024): 2024-07.

[4].IDP Binder: Liu, Caixuan, et al. "Diffusing protein binders to intrinsically disordered proteins." bioRxiv (2024).

[5].IDP Binder chirality: Newcombe, Estella A., et al. "Stereochemistry in the disorder–order continuum of protein interactions."Nature (2024): 1-7.

[6].pMHC Binder: Design of high specificity binders for peptide-MHC-I complexes

[7]. Piraner, Dan I., et al. "Engineered receptors for soluble cellular communication and disease sensing."Nature (2024): 1-3.

[8]. Xia, Zhen, et al. "Targeting overexpressed antigens in glioblastoma via CAR T cells with computationally designed high-affinity protein binders."Nature Biomedical Engineering (2024): 1-17.

[9]. Mergen, Markus, et al. "Engineering de novo binder CAR-T cell therapies with generative AI."bioRxiv (2024): 2024-11.

[10]. Creating the largest protein-protein interaction dataset in the world (A-Alpha Bio).https://www.owlposting.com/p/creating-the-largest-protein-protein

进群交流

进群请认真填问卷！

广告勿扰，广告勿扰。