药物三元复合物结构预测：人大高瓴黄文炳团队与浙大杨易团队、UCLA邓炜先团队合作在《自然-通讯》发表...

主要观点总结

本文介绍了黄文炳团队与合作者们在靶向蛋白质降解（TPD）领域的最新研究成果。研究团队开发了一种名为DeepTernary的端到端结构预测方法，用于直接预测PROTAC和分子胶诱导的三元复合物结构。该方法显著优于当前的结构预测方法，包括AlphaFold3，为药物开发领域带来了革命性的进展。

关键观点总结

关键观点1: 研究背景与重要性

靶向蛋白质降解（TPD）已成为药物开发领域的关键策略。精准解析降解剂诱导的三元复合物结构是设计高效药物降解剂的瓶颈之一。

关键观点2: 研究成果

研究团队提出了一种名为DeepTernary的端到端结构预测方法，可直接预测PROTAC和分子胶诱导的三元复合物结构。该方法效果显著优于AlphaFold3，为药物开发领域带来了重大突破。

关键观点3: 方法与技术

研究团队构建了一个大规模的通用三元复合物数据集TernaryDB，并研发了DeepTernary结构预测方法。该方法通过等变图神经网络预测三元复合物的空间结构，利用大规模PDB数据集进行训练。

关键观点4: 数据与挑战

三元复合物的结构预测面临诸多挑战，如相互作用复杂、缺乏大规模优质基准数据集以及预测方法需具备物理规律等变性。研究团队通过创新性的研究思路和方法，成功应对了这些挑战。

关键观点5: 研究资助与支持

该研究得到了国家科技重大专项、国家自然科学基金、北京市“科技新星”计划等多项资助与技术支持。

免责声明