关于本研究专题
投稿截止日期
稿件提交截止日期：2027年1月30日
本研究专题目前接受投稿
背景
概述
蛋白质并非静态分子实体，而是动态构象集合体，其结构、运动、无序性、相互作用和瞬态状态决定了生物功能和疾病机制。这一点对于内在无序蛋白（intrinsically disordered proteins）、柔性多结构域蛋白、相分离系统、生物分子凝聚体以及涉及神经退行性疾病、癌症、炎症、感染和代谢紊乱的疾病相关蛋白尤为重要。经典分子模拟、生物物理实验和生物信息学方法已为这些系统提供了基本见解，但许多生物学上重要的构象状态仍然难以捕捉，因为它们是瞬态的、异质的、罕见的或高度依赖于环境的。
人工智能的最新进展正在改变这一领域。深度学习、蛋白质语言模型（protein language models）、图神经网络（graph neural networks）、扩散模型（diffusion models）、生成式集合方法（generative ensemble approaches）、AlphaFold衍生方法、AI辅助分子动力学（AI-assisted molecular dynamics）和混合物理信息模型现在为预测、采样、分析和解释蛋白质构象景观提供了新的可能性。与此同时，重要挑战仍然存在。AI模型通常对有序蛋白表现最佳，而在处理内在无序区域、构象异质性、变构效应（allostery）、罕见转变、翻译后修饰、蛋白质-蛋白质相互作用、蛋白质-核酸相互作用以及与疾病相关的集合转变时可能表现不佳。因此，迫切需要整合AI、分子模拟、实验约束、结构生物信息学和生物医学解释的方法。
本研究专题旨在汇集开发和应用人工智能方法进行蛋白质构象分析、生物分子建模、集合生成、无序感知结构生物学、药物发现和生物医学应用的研究人员。该专题将提供一个专注于方法学进展、基准研究、生物应用以及AI如何推动该领域从静态结构预测向生物分子系统动态、基于集合的理解转变的平台。
理论依据与意义
结构预测方法的成功已经重塑了结构生物学，但生物功能不仅编码在单一预测结构中，还编码在生物分子可访问的构象状态分布中。这对于内在无序蛋白和内在无序区域尤其重要，它们在信号传导、调控、转录、神经退行性疾病、癌症生物学、病毒感染和液-液相分离中起着核心作用。这些系统挑战了传统的以结构为中心的模型，因为它们在生理条件下不采用单一稳定的三维结构。
同时，构象异质性的生物医学重要性正在迅速增加。与疾病相关的突变可以改变构象集合，而不一定产生明显的单一结构变化。药物发现越来越多地针对瞬态口袋（transient pockets）、隐秘位点（cryptic sites）、变构状态和蛋白质相互作用界面，这些可能只在特定构象子状态中出现。生物标志物发现也需要理解结构和动态特征如何在疾病状况、分子环境和患者特定背景下变化。
AI有潜力加速从静态结构模型向动态、生物学上有意义的集合模型的转变。然而，基于AI的构象分析必须经过仔细验证、基准测试并与实验数据和物理原理相结合。因此，本研究专题将不仅强调新算法，还强调可解释性、不确定性、生物学相关性、可重复性、基准测试和转化应用。
研究专题范围
本研究专题将欢迎针对生物分子构象分析和生物医学发现的基于AI方法的原创研究文章、综述、小综述、观点、方法文章和意见文章。
合适的投稿可聚焦于AI驱动的蛋白质结构和集合预测、构象采样的生成模型、AlphaFold衍生方法与分子动力学或实验约束的整合、用于构象和功能推断的蛋白质语言模型、生物分子动力学的图神经网络、针对内在无序蛋白和区域的AI方法以及无序感知结构生物信息学。
该专题还将包括关于AI辅助分子模拟、稀有事件采样、变构效应、构象选择、诱导契合（induced fit）、蛋白质-蛋白质和蛋白质-核酸相互作用、液-液相分离、生物分子凝聚体、翻译后修饰、突变引起的集合变化、瞬态口袋检测、隐秘结合位点发现、基于片段的药物设计（fragment-based drug design）以及在神经退行性疾病、癌症、传染病和精准医学中的生物医学应用的研究。
一个核心目标是鼓励将AI预测与生物学和医学解释联系起来的贡献。因此，整合AI与分子动力学、NMR、SAXS、冷冻电镜（cryo-EM）、FRET、HDX-MS、化学位移、突变数据、组学数据、临床数据或药物发现流程的手稿将特别受到鼓励。
关键词
人工智能；蛋白质构象分析；生物分子建模；内在无序蛋白；分子动力学；生成模型；AlphaFold；蛋白质语言模型；药物发现；瞬态口袋；结构生物信息学
重要提示
本研究专题的所有投稿必须符合其提交的版块和期刊的范围，如其任务声明中所定义。Frontiers保留在同行评审的任何阶段将超出范围的手稿引导至更合适的版块或期刊的权利。
【全文结束】