Hluboké učení narušuje dokování metalloproteinů – slepou skvrnu při objevování léčiv Metaloproteiny jsou všude v biologii – matrixové metaloproteinázy u rakoviny, superoxidová dismutáza v neurodegeneraci, endonukleázy při virové replikaci. Jsou důležitými cíli pro drogy, přesto s nimi výpočetní nástroje bojují. Problém je, že kovové ionty přijímají rozmanité koordinační geometrie s flexibilními preferencemi vazeb a silnými polarizačními efekty, které konvenční hodnotící funkce nedokážou zachytit. Většina dokovacích nástrojů buď kovy zcela ignoruje, nebo je omezena pouze na systémy obsahující pouze zinek. Hui Zhang a jeho spoluautoři představují MetalloDock, první hluboký dokovací framework vyvinutý speciálně pro metaloproteiny. Klíčovou inovací je autoregresní generační strategie, která začíná u kovového centra, nejprve předpovídá, který ligandový atom koordinuje s kovem (donorovým atomem), a poté buduje zbytek molekuly směrem ven podle kovalentní topologie. Fyzikálně citlivá omezení zajišťují realistické koordinační geometrie po celé délce. Na jejich pečlivě vybraném benchmarku 8 836 komplexů metaloprotein-ligandů pokrývajících Zn²⁺, Mg²⁺, Ca²⁺, Mn²⁺, Fe²⁺ a Co²⁺ dosahuje MetalloDock 78,6% úspěšnosti dokování – překonávajíc AlphaFold3, Glide a všechny ostatní testované metody. Předpovídá donorové atomy s přesností 88,9 % a reprodukuje koordinační vzdálenosti do 0,12 Å od krystalových struktur. Skutečný test: prospektivní experimenty. Virtuální screening proti PSMA identifikoval dva nové inhibitory (IC₅₀ = 0,22–0,38 μM). Rational design zaměřený na chřipkovou PA endonukleázu – náročný binukleární manganový enzym – přinesl inhibitory s IC₅₀ již na 191 nM. Poselství: koordinace kovů byla trvalou slepou skvrnou v počítačovém objevování léků. Tím, že přímo do architektury zabuduje fyzikální přednosti, může hluboké učení konečně řešit tento problém – otevřít metaloenzymy stejnému vysokopropustnému screeningu, který proměnil jiné cílové třídy. Článek: