---
title: "蛋白質交互作用（Protein-Protein Interaction）"
slug: protein-protein-interaction
language: zh-TW
source: https://aiterms.tw/terms/protein-protein-interaction
updated_at: 2026-07-04
tags: [AI應用, 深度學習, 神經網路, source:arxiv]
ipas_term: false
---

# 蛋白質交互作用（Protein-Protein Interaction）

指兩個或多個蛋白質分子之間因物理接觸而產生的結合，為細胞功能的基礎。

## 完整說明

蛋白質交互作用是一種兩個或多個蛋白質分子間透過靜電力、氫鍵或疏水性作用等物理接觸所形成的結合，能夠驅動細胞內的信號傳導、代謝與基因表現等核心機制，常見應用包括新藥開發標靶尋找以及疾病機制的深度解析。

## 常見問題

### 如何驗證計算模型預測出來的蛋白質交互作用是否真實存在？

計算模型預測出來的結果必須透過嚴謹的實驗手段進行驗證才能確認其真實性。常用的驗證方法包括酵母菌雙雜交系統，這是一種在活細胞內測試蛋白質結合能力的經典基因學方法。此外，免疫沉澱法與拉下實驗可用於確認蛋白質在細胞萃取物中的實體結合情形。對於需要確認結合動力學與親和力的研究，表面電漿共振技術與等溫滴定量熱法是相當可靠的物理化學分析工具。這些實驗數據不僅能證實計算預測的結果，還能回饋給模型作為進一步訓練與優化的寶貴資料，形成計算與實驗相輔相成的良性循環。

### 深度學習在預測蛋白質交互作用時，通常需要哪些類型的輸入資料？

深度學習模型在預測蛋白質交互作用時，會根據模型設計的不同而需要多樣化的資料輸入。最基礎的輸入是蛋白質的胺基酸序列，模型會從序列中提取物理化學特徵以及演化上的保守性資訊。更進階的結構預測模型則需要輸入蛋白質的三維座標結構資料，這些資料通常來自於實驗解析結果或由其他摺疊模型生成的預測結構。除了序列與結構，有些模型還會整合蛋白質的基因表現數據、細胞內定位資訊以及已知交互作用網絡的拓樸特徵，透過這些多模態資料的輸入，能夠讓神經網路更全面地評估發生交互作用的潛在機率與結合模式。

### 預測蛋白質交互作用在臨床醫學上有哪些具體的貢獻？

預測蛋白質交互作用在臨床醫學上扮演著推動精準醫療與新藥開發的關鍵角色。許多疾病的致病機制源於基因突變導致特定蛋白質之間產生了錯誤的交互作用，或者破壞了原本正常的蛋白質網絡。透過計算模型預測這些異常交互作用的介面特徵，研究人員能夠加速設計出專一性結合這些介面的標靶藥物，藉此阻斷疾病的發展進程。在抗原抗體研究中，準確預測抗體與病毒表面蛋白質的交互作用，有助於快速篩選出具備高中和能力的抗體藥物，縮短傳統藥物篩選的時間與成本，為病患帶來更快速且精準的治療選擇。

---

來源：https://aiterms.tw/terms/protein-protein-interaction
快查頁：https://aiterms.tw/terms/protein-protein-interaction
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-protein-protein-interaction