概述

计算蛋白质设计是结构预测的逆过程：它不是根据序列预测结构，而是搜索将折叠成具有所需功能特性的预定目标结构的序列。设计过程同时优化大量序列和构象变量，以最大限度地提高折叠稳定性、结合亲和力、催化活性或其他目标特性。深度学习和蒙特卡罗优化的最新进展极大地扩展了从头蛋白质设计的范围，使得能够创建新颖的折叠、功能酶和基于蛋白质的疗法。

方法

设计通过序列选择和结构评估的迭代循环进行。 旋转异构体库枚举离散的侧链构象，并且势能函数（通常是具有溶剂化和统计术语的分子力学力场）对每个候选物进行评分。 死端消除算法可证明去除不能参与全局最小能量构象的旋转异构体。 蛋白质语言模型和基于扩散的生成模型现在可以根据主链坐标进行序列设计，从而产生多样化且可通过实验表达的蛋白质。

应用程序

计算设计已经产生了用于工业生物催化的新型酶、用于疫苗展示的稳定蛋白质支架以及用于诊断或治疗应用的高亲和力粘合剂。使用定点诱变 表达和表征设计的蛋白质，以验证和完善计算预测。该方法依赖于[蛋白质结构](/guides/ Protein-struct.html)和氨基酸的详细知识来指定目标主链并模拟序列结构兼容性。 [蛋白质折叠和伴侣](/guides/ Protein-folding-and-chaperones.html) 的见解进一步指导了可靠折叠并在细胞环境中保持稳定性的蛋白质设计。