蛋白质侧链包装（PSCP）是一项仅在主链原子位置上确定氨基酸侧链构象的任务，其在蛋白质结构预测、精细化和设计中具有重要应用。科研工作者已经提出了许多方法来解决这一问题，但它们的速度或准确性仍然不能令人满意。为了解决这个问题，丰田工业大学（芝加哥）Xu Jinbo提出了AttnPacker，一种用于直接预测蛋白质侧链坐标的深度学习（DL）方法。

本文要点：

1) 与现有方法不同，AttnPacker直接结合了骨干3D几何结构，以同时计算所有侧链坐标，而无需委托给离散的旋转异构体库或执行昂贵的构象搜索和采样步骤。这使得计算效率显著提高，与基于DL的方法DLPacker和基于物理的RosettaPacker相比，推理时间减少了100倍以上。

2) 作者通过在CASP13和CASP14天然和非天然蛋白质主链上进行测试发现，与最先进的方法SCWRL4、FASPR、RosettaPacker和DLPacker相比，AttnPacker计算物理上真实的侧链构象，并可以减少空间冲突，从而提高rmsd和二面体精度。

参考电竞投注官网 ：

Matthew McPartlon and Xu Jinbo An end-to-end deep learning method for protein side-chain packing and inverse folding PNAS 2023

DOI: 10.1073/pnas.2216438120

https://doi.org/10.1073/pnas.2216438120