金属结合位点不再只认高分辨率结构：先剪枝再优化，冷冻电镜与AlphaFold模型上仍能定位并判型

蛋白质结构里的金属结合位点现在可以同时给出位置和金属种类，而不只是标出可能结合的区域。 此前的结构类方法多数只找位点、不判金属类型，且在高分辨率晶体结构上定位精度也只是中等，换到中等分辨率数据还会更差。 在按30%序列一致性隔离的独立测试集上，2 Å判定下PrOMet的召回率为80.0%、精确率为65.0%，同条件下Metal3D为75.8%和37.2%。

方法先用粗粒度筛选把整个蛋白表面缩小到少量候选点，再用原子级打分在候选点里定出位点和金属类型。 直接在全表面上做精细打分会产生大量假阳性，因此需要先做一次高召回、强收缩的过滤。 剪枝阶段在独立测试集上保留了98.8%的金属位点覆盖，只留下2.76%的初始网格点，假阳性与真阳性网格比从1224:1降到37:1。

在冷冻电镜结构和AlphaFold3模型这类带结构误差的输入上，位点与类型的预测下降幅度较小。 结构类方法通常对结构噪声敏感，此前在高分辨率晶体结构之外的表现会明显变差。 在200个满足整体骨架RMSD不超过5 Å、结合口袋侧链RMSD不超过3 Å的AF3模型上，PrOMet相对晶体结构只有小幅下降，而Metal3D下降更明显。

报道覆盖的是从蛋白结构出发的金属结合位点与类型预测，评估对象包括X射线晶体结构、冷冻电镜结构以及AlphaFold3生成的模型，训练数据来自BioLiP中X射线与冷冻电镜测定的蛋白-金属复合物。方法接受配体或核酸共存的输入，并在蛋白-配体、蛋白-核酸界面上给出预测。作者提出的下一步方向是建立覆盖少数金属种类与非蛋白配位环境的大规模标准化基准，并把平衡构象集合或分子动力学采样结构纳入模型。

少数金属类别（如Mn、Co、K）在数据中代表性不足，性能相对较低，不确定性估计也更不可靠。混淆分析显示化学相似的离子之间会出现系统性互换，Zn在数据中偏多，部分Mn或Fe位点被预测为Zn。方法以静态结构为输入，不直接刻画金属结合伴随的侧链重定向、构象变化与长程别构。在AF3模型上预测不佳的案例，多出现在配位侧链建模较差（RMSD大于2 Å）且配位数偏低（少于3）时。