PLACER 是什么？预测蛋白质和小分子如何结合的神经网络
TL;DRPLACER 是华盛顿大学 David Baker 团队提出的图神经网络，根据原子组成和化学键信息生成有机小分子的结构，并在给定蛋白质环境时预测小分子与蛋白质侧链的结合构象集合，可用于药物和酶设计。
PLACER（Protein-Ligand Atomistic Conformational Ensemble Resolver，蛋白质-配体原子级构象集合解析器）是一个预测蛋白质与小分子结合结构的图神经网络，由华盛顿大学 David Baker 教授的研究团队提出，论文标题是《用 PLACER 对蛋白质-小分子构象集合进行建模》。David Baker 因蛋白质设计方面的贡献获得了 2024 年诺贝尔化学奖。
它解决什么问题
很多药物是小分子，它们通过和体内特定的蛋白质结合来发挥作用；酶则是能催化化学反应的蛋白质，它们需要和底物小分子以特定的方式结合。要设计新药或新的酶，就需要准确知道小分子在蛋白质口袋里是怎么“摆放”的、和周围的氨基酸如何相互作用。更复杂的是，分子不是静止不动的，它们会在多种形态（构象）之间变化，单一的静态结构往往不足以描述真实的情况，需要描述一个构象的集合。
PLACER 能做什么
PLACER 是一个图神经网络：把分子看成由原子（节点）和化学键（边）组成的图。只要知道一个有机小分子的原子组成和成键情况，它就能准确生成这个小分子的三维结构，适用于各种各样的有机小分子。如果再给出周围更大的蛋白质环境，它能同时构建对接时小分子的结构和蛋白质侧链的结构，也就是预测两者结合在一起时的样子。它可以快速生成多个可能的构象，而不只是一个答案，从而反映分子的灵活性。
用途
研究团队认为，PLACER 将被广泛用于快速生成小分子以及小分子-蛋白质体系的构象集合，并用于设计活性更高的“预组织”酶，也就是让酶的活性位点在结合底物之前就已经摆好了合适的姿态，从而提高催化效率。它也是 AI 驱动的药物研发和蛋白质设计工具链中的一环，和 AlphaFold、RoseTTAFold 等结构预测工具相互补充。