Международная группа под руководством профессора Эйнштейна Чечилии Клементи с факультета физики Свободного университета Берлина представила CGSchNet — модель, основанную на машинном обучении, которая может точно и эффективно моделировать белки, как никогда раньше. Исследование [опубликовано](https://www.nature.com/articles/s41557-025-01874-0) в выпуске журнала Nature Chemistry от 18 июля 2025 года.
Работа модели значительно быстрее, чем у традиционных методов молекулярной динамики, основанных на всех атомах. CGSchNet позволяет исследовать более крупные белки и сложные системы, что открывает новые возможности в поиске лекарств и белковой инженерии, например, для разработки методов лечения рака.
Создание общей CG-модели, способной описать сворачивание белков и их динамику, было постоянной задачей для учёных на протяжении последних 50 лет. «Эта работа впервые демонстрирует, что глубокое обучение может преодолеть этот барьер и привести к созданию системы моделирования, которая приближается к моделированию всех атомов белков без явного моделирования растворителя или атомных деталей», — говорит профессор Клементи.
В CGSchNet команда профессора Клементи обучила графическую нейронную сеть для изучения эффективных взаимодействий между частицами упрощённого моделирования белка, чтобы воспроизвести динамику тысяч моделирований всех атомов.
В отличие от инструментов прогнозирования структуры, CGSchNet моделирует динамический процесс, включая промежуточные состояния, важные для процессов неправильного сворачивания, таких как формирование амилоидов — патологических белковых агрегатов, которые появляются, например, при болезни Альцгеймера.
Модель также имитирует переходы между складчатыми состояниями — ключевыми для функции белка — и обобщается на белки, не входящие в её обучающий набор, демонстрируя сильную химическую переносимость. Более того, она точно предсказывает метастабильные состояния свёрнутых, развёрнутых и неупорядоченных белков, которые составляют большинство биологически активных белков.
Такие прогнозы были чрезвычайно сложны в прошлом из-за гибкости этих белков. Модель также способна оценивать относительные энергии сворачивания белковых мутантов, чего не могли достичь предыдущие методы моделирования из-за вычислительных ограничений.
Предоставлено: [Свободный университет Берлина](https://www.fu-berlin.de/en/index.html)