近日，國際權威期刊《自然·通訊》（Nature Communications）在線發表了中南大學計算機學院李敏教授團隊的最新研究成果“DPFunc：利用結構域引導的結構信息進行蛋白質功能精準預測（DPFunc: Accurately predicting protein function via deep learning with domain-guided structure information）”。該研究提出了一種基于深度學習的新方法DPFunc，有效整合蛋白質序列和結構信息，用于精準預測蛋白質功能。中南大學計算機學院王文康博士為第一作者，計算機學院的李敏教授為論文通訊作者，中南大學為第一署名單位。

蛋白質是生命活動的基本執行單元，精確解析蛋白質功能對于理解生物學機制和疾病治療至關重要。隨著高通量測序技術的快速發展，蛋白質序列數據的規模呈爆炸性增長，但已有的蛋白質功能注釋仍遠遠滯后于數據積累速度。目前，僅有不到1%的蛋白質序列被系統性地注釋了功能信息，這極大地限制了對蛋白質功能的深入理解和相關研究的推進。傳統的實驗方法雖然精準，但成本高、周期長，難以適應大規模蛋白質功能注釋的需求。針對這一挑戰，計算方法成為彌補實驗注釋不足的重要手段。然而，現有蛋白質功能預測方法普遍缺乏可解釋性，難以揭示蛋白質結構與功能之間的關系，導致預測結果的準確性和解釋性有限。尤其是在面對低同源性蛋白或新發現的蛋白質時，這些方法的預測效果大打折扣。

針對這一挑戰，李敏團隊創新性地提出DPFunc方法，通過融合蛋白質序列信息和結構域引導的結構特征，實現了蛋白質功能的精準預測。DPFunc能夠識別蛋白質結構中與功能密切相關的重要區域，在多項基準測試中表現優異，顯著超越現有的最先進方法。實驗結果表明，DPFunc在蛋白質功能預測、關鍵殘基識別和稀有功能檢測等方面表現尤為突出。特別是在蛋白質結構功能關系分析中，DPFunc能夠準確識別關鍵活性位點。例如，在半胱氨酸蛋白酶Q9M1Y0和Q8S929中，DPFunc成功檢測到與功能密切相關的活性位點，表現出出色的解釋性。此外，DPFunc在細菌功能注釋中也展示出強大的潛力，在多種情況下顯著優于其他預測方法，為大規模蛋白質功能預測和疾病機制研究提供了有力工具。

此次研究不僅推動了蛋白質功能預測領域的技術進步，也為理解蛋白質結構與功能的關系提供了新思路。未來，研究團隊將進一步引入更多與蛋白質結構相關的生物學知識，推動DPFunc在動態功能預測和多功能關聯研究中的應用拓展。