蛋白质的光谱响应信号，尤其是紫外光谱，可以称之为蛋白质骨架的“指纹”。这个“光学指纹”，经过理论模拟的解读，可以揭示出精确的蛋白质结构，为生命科学和医学诊断提供极其重要的信息。

然而，蛋白质的结构极其复杂多变，需要做大量的高精度的量子化学理论计算。由于计算量太大，即使是最厉害的超级计算机也“吃不消”。所以蛋白质光谱的理论解读是一个长期的困难与挑战，限制了光谱的准确分析和蛋白质结构的发现。

研究人员首先在300K温度下通过分子动力学模拟以及量子化学计算，得到了五万组不同构型的肽键模型分子。通过机器学习算法筛选出键长、键角，二面角跟电荷信息作为描述符，通过神经网络来构建肽键基态结构与其激发态性质之间的构效关系。基于训练好的机器学习模型，预测出了肽键的基态偶极矩及激发态性质，最后预测出肽键的紫外吸收光谱。为了验证机器学习模型的鲁棒性，研究人员又基于300K的温度下得到的机器学习模型，预测出肽键在200K以及400K温度下的紫外吸收光谱，其结果与时间密度泛函理论计算结果达到很好的吻合。

这是人工智能技术首次用于理论计算预测蛋白质的光谱研究。通过理论计算得到大量数据，使用人工智能加以训练后，确立了机器学习模拟蛋白质肽键骨架紫外吸收光谱的可行性和优势，蛋白质的“光学指纹”解读也将会变得更加轻易和有效。