2026年2月，上海交通大学数学科学学院陈洛南教授研究团队及合作者在美国科学院院刊PNAS杂志发表了题为“Mining Lysine Post-Translational Modification Site by Integrating Protein Language Model Representations with Structural Context”的研究论文。陈洛南教授、Arieh Warshel教授、白晨博士为论文共同通讯作者，罗梦奇助理教授为第一作者。团队为蛋白质的赖氨酸翻译后修饰位点精准预测开发了一个整合序列与结构信息的AI框架，可有效发掘蛋白质的PTM(Post-Translational Modification)位点，为蛋白质调控研究及制药应用提供支持。

团队构建的预测模型创新性地融合了蛋白质语言模型与图神经网络，同步捕获修饰位点的序列上下文与三维空间结构信息。该模型通过ESM-2提取序列特征，结合基于原子坐标构建的局部接触图进行图卷积处理，最终经多层感知机整合实现高精度预测。

团队成功预测了hCLEC12A蛋白的潜在修饰位点（K174与K181），并构建了5种修饰体系进行分子动力学模拟。结果显示，与未修饰体系相比，单一位点修饰体系（如K181乙酰化）及双修饰体系（如K174巴豆酰化与K181乙酰化）均显著削弱了hCLEC12A与抗体50C1的结合，证实了关键赖氨酸的翻译后修饰可通过干扰界面残基间的相互作用显著降低蛋白与抗体的结合亲和力。

该研究提出的深度学习通用框架，成功揭示了修饰位点调控蛋白-抗体结合的具体机制，为蛋白位点精准预测提供了新范式，也为靶向修饰的疾病干预策略提供了理论依据。该框架的模块化设计可扩展至其他残基水平功能注释任务，推动了计算生物学方法的通用化发展。