В исследовании представлена новая методология применения машинного обучения для предсказания энергетики белковых взаимодействий без использования экспериментальных данных о сродстве или мутациях. Авторы разработали модель, которая обучается исключительно на нативных структурах комплексов антитело-антиген, декомпозируя интерфейсы на локальные структурные мотивы и оценивая их совместимость с окружающим молекулярным окружением. Результатом работы стали карты предпочтений мишени (TPM) — пространственные поля, отображающие локальную совместимость взаимодействий на поверхности белка. Метод продемонстрировал способность восстанавливать заряженные, ароматические и водородно-связанные взаимодействия в пептид-белковых и других неантительных интерфейсах. При тестировании на независимом наборе данных SKEMPI модель показала способность дискриминировать позиции, чувствительные к мутациям, с площадью под ROC-кривой (AUC) 0.643 на выборке из 1323 объектов. Кроме того, оценки замещений на основе TPM ранжировали альтернативные аминокислоты с точностью, сопоставимой с традиционными физико-химическими методами FoldX и Rosetta FlexDDG. Эти результаты доказывают, что нативные структуры интерфейсов могут служить источником обучения для переносимых моделей молекулярных предпочтений, что открывает новые возможности для дизайна лекарств и прогнозирования стабильности белковых комплексов без дорогостоящих экспериментальных калибровок.