UniBind：预测新冠病毒感染性和变异进化的智能系统 |《自然-医学》

虽然自然感染和疫苗接种可产生免疫保护，但是新冠病毒可以通过不断的进化产生新型毒株从而产生免疫逃避。研究表明，SARS-CoV-2的刺突蛋白(S-protein)及其与靶细胞上的血管紧张素转换酶2 (angiotensin converting enzyme 2, ACE2)或中和抗体的相互作用分别是其毒力和免疫逃逸的基础，目前S蛋白的突变已经引发了COVID-19多次感染高峰：S蛋白中的D614G和N439K的突变驱动了第一波的感染高峰；在Alpha和Delta变异中积累的额外的非同义突变分别驱动了第二波和第三波高峰。此外，Omicron变体(BA.1至BA.5，以及最近的亚谱系BA.4.6, BA.5.9, BQ和XBB)均具有一个超突变的S蛋白，在其受体结合域(RBD) 中有许多氨基酸取代。因此，预测S蛋白的潜在氨基酸突变，对分析预测免疫逃逸和病毒进化至关重要。

一个国际研究团队在《自然-医学》期刊上发表论文，提出了他们研发的基于人工智能的预测蛋白-蛋白结合亲和力的AI框架“UniBind”，并用于新冠突变体预测。该团队通过构建“UniBind”模型，模拟了3万多个虚拟毒株, 正确预测了奥密克戎XBB和BQ突变株为占主导地位的毒株。不仅如此，“UniBind”可进一步预测新型毒株对疫苗和中和抗体的抗性和感染的严重性，并且检测到A475N和S494K突变与抗体抗性的关联。

该论文的通讯作者张康指出，“UniBind”可用于评价新冠、其他β冠状病毒以及其变异株对不同物种的ACE2亲和力，并且探究β冠状病毒与不同动物中间宿主的跨物种感染”。此模型的研发将有助于对重大流行病中间宿主的发现、病毒跨物种传播途径的预测、以及推动人类分析传染病的模式和能力。此外，作为预测蛋白-蛋白结合亲和力的AI框架，该系统不仅具有重要的学术价值，在药物研发上也具广泛的应用价值。

Nature Medicine

doi:10.1038/s41591-023-02483-5

点击“阅读原文”阅读英文原文

Deep-learning-enabled protein–protein interaction analysis for prediction of SARS-CoV-2 infectivity and variant evolution