（图：DeepPBS框架示意图 来源：Nature Methods）
研究指出，传统方法难以全面捕捉蛋白质-DNA结合的复杂性。虽然实验结构提供了物理化学相互作用细节，但不包含所有可能结合的DNA序列信息。而结合特异性实验数据虽可获得，但缺乏结构信息。DeepPBS模型通过整合这些信息，为预测特定蛋白质序列的结合特异性提供了新方法。
值得注意的是，DeepPBS的应用不限于实验结构。随着蛋白质结构预测方法（如AlphaFold）和蛋白质-DNA复合体模型的快速发展，可用于分析的结构数据呈指数增长。这突显了需要一个通用计算模型来分析蛋白质-DNA结构的重要性。研究展示了DeepPBS如何与结构预测方法结合使用，以预测没有实验结构的蛋白质的特异性。
总体而言，DeepPBS为机器辅助研究提供了基础，有望推动对分子相互作用的理解，并指导实验设计和合成生物学研究。这一创新方法为解决复杂的蛋白质-DNA相互作用问题提供了新的思路和工具。
编译整理|吴晓燕
本期编辑|刘怡伶
推荐阅读
敬请关注，欢迎个人转发分享
转载请联系授权：bioinfo@clas.ac.cn
