Nat. Methods | GRASP：整合多样实验信息助力蛋白质复合物结构预测

蛋白质复合物结构预测对于理解生物活动与推动药物研发至关重要。尽管已有多种实验方法能提供结构信息，但通常零散或不完整，因此亟需一种通用工具来高效整合有限实验数据。研究人员提出了 GRASP，能够灵活地融合不同类型的实验约束，并在模拟与真实数据中均表现优于现有方法。尤其在抗原–抗体复合物预测中，GRASP 在结合深度突变扫描或共价标记约束时甚至超越了 AlphaFold3。更重要的是，GRASP 支持多种约束的联合建模，并展示了在近细胞条件下解析线粒体蛋白互作网络的潜力。

蛋白质–蛋白质相互作用在多种生物过程中至关重要，但已知氨基酸序列与解析结构之间仍存在巨大差距。现有预测方法如 AlphaFold-Multimer、AlphaFold3、ESMFold 和 OmegaFold 在复合物预测中精度有限。

实验方法可提供有价值但稀疏的信息：

• 残基对约束（RPRs）：来源于交联质谱或 NMR 实验，提供残基间的距离信息。

• 界面约束（IRs）：如差异共价标记、化学位移扰动、深度突变扫描等方法识别界面残基。

此外，冷冻电镜断层成像、溶液 NMR、细胞内交联等方法能提供更贴近生理状态的互作数据。如何有效整合这些不同来源的信息，是当前建模的重要挑战。

GRASP 将 RPR 和 IR 同时整合进 AlphaFold-Multimer 框架：

• RPR 作为图边特征引入，用于约束残基对距离。

• IR 作为节点特征，标记潜在界面残基。

研究人员在模型中加入四个与约束相关的损失函数，并采用迭代噪声过滤策略以降低错误约束的影响。

在包含 713 个界面的基准数据集上，GRASP 在不同数量的 RPR 与 IR 条件下均表现最佳。例如，仅需两个跨链接触约束，GRASP 就能将 DockQ 提升至 0.35，并使一半以上样本达到可接受水平。相比之下，AlphaLink、ClusPro、HADDOCK 和 ColabDock 整体表现不及 GRASP。

研究人员进一步在交联质谱（XL）、共价标记（CL）和化学位移扰动（CSP）数据上评估 GRASP：

• XL 数据：在覆盖率仅 1% 的情况下，GRASP 依然显著提升 DockQ，并在存在 20% 错误约束时保持稳健。

• CL 数据：GRASP 平均 DockQ 高于其他方法，个别案例中仅 GRASP 超越了 AlphaFold-Multimer。

• CSP 数据：在抗原–抗体复合物中，GRASP 表现远优于其他方法。

抗原–抗体预测是最具挑战性的任务之一。GRASP 在模拟与真实的深度突变扫描数据集上均取得领先结果，成功率大幅超越 AlphaFold3。即使在部分约束不准确的情况下，GRASP 仍能保持较高的预测精度，并且对噪声具有较强的抵抗力。

研究人员展示了 GRASP 在多源实验数据下的应用：

• A3G–Vif–VCBC 复合物：整合 XL、突变数据与中等分辨率冷冻电镜图谱，GRASP 提供了比单一数据更合理的结合构象。

• KCNQ1–KCNE1 复合物：通过二硫键交联和双突变分析，GRASP 成功区分了开放与关闭两种状态。

• XcpHIJK 复合物：结合 XL 与 NMR 数据，GRASP 的预测同时满足大部分实验约束。

• CRL4DCAF1–Vprmus 装配体：GRASP 融合 XL 与冷冻电镜密度图，得到的结果优于 AFM 与 IMP。

研究人员利用大规模线粒体交联质谱数据，将其转化为约束输入 GRASP，预测了 144 对蛋白质互作。结果显示，GRASP 的预测与实验数据分布高度一致，并能在多个已知真实结构中得到验证。部分互作如 ATP 合酶的亚基互作，预测结果与同源结构高度吻合。

研究人员提出的 GRASP 是一种通用框架，能够在蛋白质复合物结构预测中高效整合多种实验约束。与现有方法相比，GRASP 的优势在于：

• 同时处理残基对约束与界面约束；

• 支持多类型实验数据的联合建模；

• 引入额外损失函数与迭代噪声过滤以增强稳健性；

• 在抗原–抗体预测和复杂系统的整合建模中表现优异。

当前 GRASP 的约束形式主要局限于 RPR 与 IR，但已有初步尝试将冷冻电镜密度图转化为约束。未来，结合小角 X 射线散射、冷冻电镜等更多实验数据，将进一步拓展其应用范围。

在 AlphaFold 之后的时代，研究人员愈发关注复杂的蛋白质互作建模。GRASP 的提出不仅为解析大规模互作网络提供了工具，也为跨模态、跨层次的整合建模开辟了新途径。

Xie, Y., Zhang, C., Li, S. et al. Integrating diverse experimental information to assist protein complex structure prediction by GRASP. Nat Methods (2025). 

https://doi.org/10.1038/s41592-025-02820-1