2025年9月，国际顶级期刊《Nature Methods》发表了来自北京昌平实验室、北京大学前沿交叉学科研究院等团队的重磅研究成果——蛋白质复合物结构预测模型GRASP。这项研究由高毅勤教授团队领衔，联合北京大学生命科学学院、化学与分子工程学院及华为技术有限公司昇思MindSpore AI4S团队共同完成，论文的发表标志着中国科学家在AI+生物计算领域取得突破性新进展。
论文地址：
nature.com/articles/s41592-025-02820-1
该论文提出的GRASP模型通过直接整合多种实验约束信息，显著提高了蛋白质复合物结构预测的准确性和可靠性。GRASP在处理模拟和真实世界的实验约束方面表现出色，特别是在抗体-抗原复合物预测中超越了现有的AlphaFold3。
GRASP还可以作为综合建模工具，结合多种实验信息进行复杂的约束建模。未来的工作将进一步优化GRASP的集成策略，以解决更具挑战性的应用场景。
# 01
核心创新：实验数据与AI的深度耦合
GRASP的核心突破在于首创"实验约束引导AI预测"的范式：
- 数据转化技术：将交联质谱（XL-MS）、深度突变扫描（DMS）等稀疏实验数据转化为残基对限制（RPR）和界面限制（IR），通过修改AlphaFold-Multimer的注意力机制实现精准嵌入 。
- 抗噪系统：开发迭代噪声过滤算法，可自动识别并剔除错误实验数据（如误差超过30%的XL-MS数据） 。
- 多模态融合架构：支持冷冻电镜密度图、化学位移扰动等6类实验数据混合输入，首次实现"低分辨率实验+高精度AI"的协同建模 。
# 02
部分创新场景性能倍级领先AlphaFold3
GRASP 在部分公开测试中表现优异：
- 在界面基准测试中，GRASP方法表现全面最佳。其效率极高，仅需引入两个跨链接触约束，就能将DockQ评分提升至0.35，并使过半样本达到可接受水平。
- GRASP在XL、CL、CSP约束数据实验中，对低覆盖率或高噪声的各类实验数据中均表现稳健，性能显著优于其他方法。
- 在抗原-抗体预测上，GRASP在深度突变扫描数据中展现出卓越性能与强鲁棒性，预测成功率与精度均大幅领先AlphaFold3结果23%-38%。
这项研究不仅突破了AlphaFold系列的部分技术瓶颈，也丰富了实验科学与AI协同的新范式，未来将有望在生物医药领域取得重要应用。