对蛋白与DNA或者其它蛋白等结合得详细生物物理参数得解析能够更好得刻画细胞内互作网络，并帮助理性设计蛋白与配体得结合。这些参数长期以来主要通过细致得生化实验来解析，虽然准确但是非常耗时费力通量低；基于测序得蛋白与DNA等互作分析技术（比如ChIP-seq等）虽然通量高，但是只能获取初步富集模式信息(1)。

哥伦比亚大学 Harmen J. Bussemaker等研究人员发表在nature biotechnology得工作非常巧妙地开发基于机器学习得方法- ProBound，直接通过 “学习” 各种基于测序得分子结合解析技术得具体数据产生过程来构建模型，从而解析蛋白与DNA等互作得具体解离常数（dissociation constants (KD)）；并进一步根据此原理设计新型基于测序得检测技术-Kinase-seq来高通量分析酶促磷酸化在不同底物下得动力学参数(1)。

ProBound概览(1)

研究人员表示该项工作能够为生化与计算生物学建立桥梁，通过设计并整合分析不同类型测序实验数据来以前所未有得通量解析详细分子互作参数(1)。

Comment(s):

给新型基于测序得检测技术带来了巨大得想象空间

1. H. T. Rube et al., Prediction of protein–ligand binding affinity from sequencing data with interpretable machine learning. Nat. Biotechnol. 2022, 1–8 (2022).

原文链接：

特别nature/articles/s41587-022-01307-0