蛋白质-蛋白质相互作用是许多生命过程的核心，其中涉及固有无序区域的相互作用在疾病发生发展中尤为重要。然而，IDR缺乏稳定三维结构，其高度动态的特性给传统基于静态结构的PPI预测方法带来巨大挑战。现有方法往往难以有效处理IDR的结构可变性，导致预测性能下降。为此，柳军涛课题组开发了SpatPPI模型，通过几何深度学习实现对IDR动态构象的建模与优化。
SpatPPI框架包含三个核心模块：（1）几何驱动的区域区分机制：通过构建每个残基的局部坐标系，并将空间位置与方向信息编码为多维边属性，使模型能够基于几何与角度差异自动区分折叠域与无序区域；（2）动态构象重组机制：在图注意力网络中迭代更新节点与边嵌入，利用折叠域的结构信息引导相邻IDR的构象优化，实现对AlphaFold2预测结构的动态调整；（3）残基接触捕获模块：采用双线性映射与双向计算策略生成残基接触概率矩阵，保留区域特异性相互作用模式，避免特征在无序区域中被稀释。
研究团队在多个基准数据集上验证了SpatPPI的优越性能。在HuRI-IDP数据集上，SpatPPI在IDPPI预测任务中显著优于SGPPI、D-SCRIPT、Topsy-Turvy和Speed-PPI等现有方法。进一步通过分子动力学模拟验证了模型对IDR构象变化的强鲁棒性：即使IDR结构发生显著变化（RMSD达14Å），SpatPPI的预测结果仍保持高度稳定。此外，模型在跨物种PPI网络重建和新蛋白质预测任务中也展现出卓越的泛化能力。可视化分析显示，SpatPPI能够自动将IDR残基与稳定区域残基在嵌入空间中清晰分离，表明其具备对局部构象的感知与理解能力。
山东大学（威海）数学与统计学院柳军涛教授为论文通讯作者，硕士研究生徐泽宇为第一作者。
SpatPPI的源代码:https://github.com/Zamprini/SpatPPI
Zenodo: https://doi.org/10.5281/zenodo.15817288
在线预测服务http://liulab.top/SpatPPI/server
Xu, Z., Zhu, Y., Han, J. et al. SpatPPI: a geometric deep learning model for predicting protein–protein interactions involving intrinsically disordered regions. Genome Biol 26, 339 (2025).
https://doi.org/10.1186/s13059-025-03820-2
