蛋白质与配体的相互作用对生物体内发生的许多过程有着至关重要的作用,触发多种信号转导过程。改变配体与蛋白质结合的错义突变是导致遗传疾病和耐药性的关键机制。此外,药物靶点上的突变也是产生耐药性的主要原因。目前,Rosetta以及炼金术自由能计算方法被广泛用于预测突变引起的蛋白质-配体结合亲和力的变化,但是效果仍不令人满意,需要在准确性和速度上进一步提高。因此,我们开发了在计算成本和精度之间进行权衡的机器学习方法PremPLI,用于定量估计突变引起的亲和力变化。该方法在来自360个复合物的796个突变上进行训练,由11个对模型有显著贡献的特征构建随机森林回归函数。实验测量值与预测值之间的皮尔森相关系数为0.70,对应的均方根误差为1.08 kcal mol-1。我们在两个基准数据集上对PremPLI与其他可用方法的预测性能进行全面比较,证实了我们的方法运行稳定。PremPLI可以相对准确地估计结合亲和力变化并且区分耐药性突变和易感突变,但所需的计算资源却很少。PremPLI 可从 https://lilab.jysw.suda.edu.cn/research/PremPLI/免费获取。蛋白质-蛋白质相互作用在大多数生物学过程中都是必不可少的。目前有很多定量预测突变对蛋白质-蛋白质结合亲和力影响的计算方法,但它们在识别打破蛋白质-蛋白质相互作用的突变方面精确度有限。这里,我们引入一种新的预测方法PremDPPI,用于鉴别打破蛋白质-蛋白质相互作用的突变。PremDPPI使用随机森林分类函数,由10种基于序列和结构的特征组成。PremDPPI模型在三种交叉验证中表现较好,其中准确率不低于0.90,精确度不低于0.86,且马修斯相关系数不低于0.75。PremPLI和PremDPPI有助于找到功能上的重要突变、识别耐药性突变以及发现潜在的药物靶点。