Scholay

学术搜索 · AI 审稿 · LaTeX 协作

Nature 用 NMR“缺失信号”训练 Dyna-1，预测蛋白质毫秒级构象交换

顶级刊物论文速递 · 发布 2026-08-11T16:26:59+08:00 · 更新 2026-08-11T17:17:27+08:00

核心结论

Nature 8 月 10 日发表研究，团队把 BMRB 约 1 万个蛋白质化学位移数据集中的缺失残基当作潜在交换展宽信号，训练 Dyna-1 预测微秒至毫秒构象运动，并用 NMR 弛豫实验验证。方法可能扩展蛋白质动力学筛选，但缺失指认并非都由运动造成，论文当前还是未经最终编辑的早期版本。

Nature 8 月 10 日在线发表《Learning millisecond protein dynamics from what is missing in NMR spectra》。研究聚焦蛋白质在微秒至毫秒尺度的构象交换，这类运动与酶催化、配体结合等功能密切相关，却缺少统一的大规模实验标签。团队从 100 多个核磁共振弛豫数据集出发，注意到毫秒级交换会把部分 NMR 信号展宽到无法检测，从而在化学位移指认中留下“缺失残基”。

Nature 用 NMR“缺失信号”训练 Dyna-1，预测蛋白质毫秒级构象交换
<a class="c-article-recommendations-card__link" itemprop="url" href="https://www.nature.com/articles/s41598-022-13714-z?fromPaywallRec=tr（图源：DOI）

作者据此作出一个可检验假设：BMRB 中约 1 万个蛋白质化学位移数据集里，没有被指认的残基中有一部分是由微秒—毫秒运动造成的交换展宽。团队用这些缺失指认训练多种深度学习模型，再用独立 NMR 弛豫实验验证模型是否真正学到构象交换，而不是只记住数据缺口。表现最好的模型命名为 Dyna-1，它利用多模态蛋白质语言模型 ESM-3 的中间层表示。

Nature 摘要称，Dyna-1 不仅预测了实验测得的交换信号，对与酶催化和配体结合直接相关的动力学尤其有效；团队还观察到发生微秒—毫秒交换的残基更保守。这个思路的价值在于把过去通常被视为数据不完整性的“缺失”转化为监督信号，为蛋白质动力学提供可扩展的预测入口。它可能帮助结构生物学和药物研发团队更早定位静态结构之外的功能区域，并决定哪些蛋白质值得投入昂贵的弛豫实验。

边界同样明确：并非所有缺失指认都由交换展宽造成，样品质量、谱峰重叠、实验条件和记录习惯也会留下空白。论文目前是 Nature 提供的未编辑早期版本，公开页主要展示摘要，尚不能据此评估不同蛋白家族的完整误差分布、训练集偏差和外部泛化。后续需看最终正文、数据与模型开放情况，以及独立实验能否验证 Dyna-1 提出的新动力学位点。

信息来源

可信度说明

主要来源为 Nature 论文页面，已核验标题、作者、发布日期、DOI 和完整摘要；页面明确说明当前为未经编辑的早期版本。核心结论来自同行评议期刊论文，但公开摘要不足以独立检查全部数据处理、基线和误差，因此对“变革性”等作者预期保持克制。

同主题情报