蛋白质作为生命系统的核心构成要素，蛋白质结构是其功能的决定性因素，一般来说，蛋白质并不是单独发挥作用的，而是通过彼此之间发生相互作用，即蛋白质-蛋白质相互作用（PPI）来完成相应的任务。随着人工智能技术的飞速发展，深度学习和机器学习在蛋白质结构预测及互作预测领域得到了广泛应用。

AI在蛋白质组学领域的应用大致可以分为三个方面：蛋白质结构预测、蛋白质互作预测及蛋白质互作置信度分析。

一、蛋白质结构预测

蛋白质结构预测(protein structure prediction, PSP)是根据蛋白质的氨基酸序列推测其三维结构的方法。

氨基酸排列组合成蛋白质一级结构，蛋白质会自发得通过折叠形成三级结构，蛋白质的功能有其结构决定，了解蛋白质结构对其生物学功能研究至关重要。通过大量的试验工作，也是确定了10万种独特的蛋白质结构，然而这只是数十亿蛋白质序列的一小部分。如果可以仅从氨基酸序列预测蛋白质结构，将极大地促进科学研究。

目前用于蛋白质结构预测的深度学习建模方法主要有AlphaFold2、RoseTTAFold、ESMFold等。

其中，AlphaFold2 (AF2)是由DeepMind开发的一项基于人工智能深度学习的蛋白质结构预测方法，其利用深度学习算法，根据给定的氨基酸序列，使用神经网络架构模型Evoformer，通过利用同源蛋白质的信息和多序列比对(multiple sequence alignment, MSA)，以原子级精度从氨基酸序列中训练预测蛋白质结构。

二、蛋白质互作预测

一般来说，蛋白质并不是单独发挥作用的，而是通过彼此之间发生相互作用，即蛋白质-蛋白质相互作用（PPI）来完成相应的任务。

随着计算机技术的高速发展，深度学习(DL)方法已被应用于研究PPI，使用蛋白质序列提取结构信息，从蛋白质中提取某些和相互作用相关的信息作为特征向量，然后利用这些特征向量结合现有的分类器模型评估两个蛋白质之间存在相互作用的概率。

澳门科技大学及北京邮电大学研究团队共同研究开发了一种基于人工智能进行蛋白质相互作用（PPI）基础研究的框架。

南京农业大学人工智能学院计智伟教授课题组研究人员借鉴了自然语言处理技术，开发了一种轻量级的蛋白质语言模型HNSPPI，用于预测蛋白-蛋白相互作用。

三、蛋白质互作置信度分析

蛋白互作置信度是指在生物学研究中用于衡量蛋白质之间相互作用可靠性的指标。

基于实验数据或已知的蛋白互作数据库，进行蛋白互作置信度的分析。

蛋白互作置信度的研究可以有效评估蛋白质间相互作用的可靠性，对于理解蛋白质网络的结构与功能具有重要意义。

华中科技大学生物物理研究所黄胜友教授团队开发了一种新型蛋白质复合物结构预测综合在线平台-HDOCK，可以实现对蛋白质复合物的结构预测，并给出预测模型的精度分值。