概述
结合位点预测识别蛋白质表面上可能与小分子、底物或其他蛋白质相互作用的区域。这些位点在进化过程中通常是保守的，表现出特有的几何和物理化学性质，并且经常与功能重要性相关。准确预测结合位点是新型蛋白质功能注释、基于结构的药物设计和理解分子识别机制的关键步骤。随着预测蛋白质结构的增长，计算结合位点预测已成为越来越重要的工具。
方法
几何方法 使用 CASTp、Fpocket 和 PASS 等算法检测蛋白质表面上的空腔、口袋或裂缝。 进化方法通过将序列保守性映射到三维结构上来识别保守的表面斑块，假设功能上重要的位点进化得更慢。 机器学习方法 - 包括随机森林、支持向量机和深度卷积神经网络 - 集成几何、物理化学和进化特征来预测结合位点残基。 基于模板的方法 从同源蛋白质的已知结构转移结合位点注释。
应用程序
结合位点预测用于通过将搜索集中在蛋白质表面的相关区域来指导分子对接实验。它通过识别可成药口袋促进抑制剂的合理设计，并通过定位活性位点残基支持酶催化机制的研究。预测在氨基酸的化学背景下进行解释，这些氨基酸排列在口袋中并与[蛋白质结构](/guides/ Protein-struction.html)相关，以了解结构如何决定功能。该方法还通过揭示底物结合几何形状如何影响催化效率来支持酶动力学研究。
