尽管存在挑战，但纳米尺度相互作用的准确和快速预测，依然广泛应用在许多生物过程和材料性质。虽然已经开发了几个模型，用以预测特定生物成分的相互作用，但其多是基于系统特异性信息，这阻碍了其应用于更一般的材料。
近日，美国 密西根大学安娜堡分校（University of Michigan, Ann Arbor）Jacob Charles Saldinger，Angela Violi等，在Nature Computational Science上发文，报道了一种通用且高效的机器学习技术路径，NeCLAS，预测了纳米级相互作用的具体位置，从而提供了可理解的预测。
这种机器学习模型NeCLAS，优于目前的纳米级预测模型，适用于高达10–20nm通用纳米粒子，再现了生物和非生物系统的相互作用。这两个方面促成了这些研究成果：纳米粒子和分子的低维表示（以减少数据不确定性的影响），以及环境特征（在多个长度尺度上，对物理化学邻域进行编码）。
基于这个机器学习框架，实验演示了几大模型应用，包括从基础研究到纳米生物技术的快速成型和设计。
Domain-agnostic predictions of nanoscale interactions in proteins and nanoparticles。
在蛋白质和纳米粒子中，纳米尺度相互作用的域不可知性预测。
图1:方法和数据。
图2:不同方法的预测性能。
图3:分子镊子molecular tweezers与14-3-3σ蛋白的相互作用。
图4:苯酚可溶性模因α1，phenol-soluble modulin，PSMα1和graphene quantum dots，GQDs的相互作用。
图5:预测和模拟石墨烯量子点GQDs的相互作用。
文献链接
https://www.nature.com/articles/s43588-023-00438-x
https://doi.org/10.1038/s43588-023-00438-x
本文译自Nature。
本文来自今日新材料，本文观点不代表石墨烯网立场，转载请联系原作者。
