彭珍玲
教授
访问次数：次
基本信息
  • 教师英文名称：
    Zhenling Peng
  • 电子邮箱：
  • 入职时间：
    2021-04
  • 所在单位：
    高等研究院、数学与交叉科学研究中心、非线性期望前沿科学研究中心
  • 学历：
    研究生(博士)毕业
  • 办公地点：
    Huagangyuan E304
    72 Binhai Road,
    Jimo District, Qingdao,
    Shandong Province,
    China
  • 性别：
    女
  • 联系方式：
  • 学位：
    哲学博士学位
  • 毕业院校：
    University of Alberta
  • 博士生导师
  • 硕士生导师
学科：
应用数学；
统计学学科
曾获荣誉：

2023    山东大学杰出中青年学者；
2017    天津大学 北洋学者*青年骨干教师计划；
2014    加拿大阿尔伯塔大学 Dissertation Fellowship；
2011    加拿大阿尔伯塔省 Alberta Innovates Graduate Student Scholarship；
2012    2012 Pacific Symposium on Biocomputing 会议 travel awards；
2005    湖南省优秀本科毕业生；
学术荣誉：

2022    国家优秀青年基金获得者；
教师简介

我专注于生物信息学领域，致力于解决蛋白质结构与功能预测这两大核心难题，旨在推动该领域在复杂生物问题中的应用。 

在蛋白质结构预测方面，合作开发了多重结构比对算法 mTM-align，并配套搭建了在线服务平台（目前已被全球 50 多个国家和地区的用户广泛使用）；参与了基于深度学习的结构预测算法研究，包括 MapPred 和 trRosetta 等算法（trRosetta 在近两届 CASP 竞赛中均名列前茅）；还将 trRosetta 的框架拓展至 RNA 结构预测，开发了 trRosettaRNA，其在 CASP15 和 RNA-Puzzles 实验中的表现优于其他基于深度学习的方法。 

在蛋白质功能预测领域，开发了多个针对无序蛋白功能模块的预测算法，如 IDPFunNet、CLIP、APOD 等，这些工具在预测无序蛋白与生物大分子结合区域方面展现出了显著的优势；开发了基于序列的蛋白质结合位点预测算法 NucBind 和 CoABind，并对 COACH-D 和 Q-BioLip 等算法和数据库进行了更新和优化，为蛋白质 - 配体相互作用研究提供了有力支持。 

未来，将专注于无序蛋白的动态结构及其功能机制解析，以及蛋白质定向进化这两个前沿方向，继续深入探索创新。 

截至目前，已在 SCI 期刊上发表了 50 余篇论文，其中包括 Nature Biotechnology、Nature Machine Intelligence、Nature Structural & Molecular Biology、PNAS、Nature Communications、Cell Death & Differentiation、Science Signaling 等顶级学术期刊。这些论文累计被引用 5000 多次，单篇最高引用次数达 1000 余次。此外，作为课题负责人先后主持了 4 项国家级项目，其中包括国自然优秀青年基金、国家重点研发项目课题等。

教育经历
  • 2010-09  — 2014-11
    加拿大阿尔伯塔大学
    软件工程与智能系统
    哲学博士学位
  • 2005-09  — 2008-06
    湘潭大学
    应用数学
    硕士生
  • 2001-09  — 2005-06
    衡阳师范学院
    数学与应用数学
    学士
工作经历
  • 2021-04-至今
    山东大学
    教授
  • 2015-01 — 2021-03
    天津大学
    副教授
  • 2018-09 — 2019-09
    美国华盛顿大学
    访问学者
  • 2008-07 — 2010-07
    贵州工程应用技术学院（原毕节学院）
    助教
科研成果
研究方向

1. 生物信息学

论文

1.  Liang J , Luo Y ,  Su B  and 彭珍玲. Hybrid Deep Learning with Protein Language Models and Dual-Path Architecture for Predicting IDP Functions.  Briefings in Bioinformatics,  27,  bbag126, 2026. 

2.  Xiang C , Wang W , 彭珍玲  and  Yang J. Generating dynamic structures through physics-based sampling of predicted inter-residue geometries.  Advanced Science,  13,  e18469, 2026. 

3.  Su B , Huang K , 彭珍玲 ,  Amunts A  and  Yang J. CryoAtom improves model building for cryo-EM.  Nature Structural & Molecular Biology,  33,  351–361, 2026. 

4.  Wang W ,  Su B , 彭珍玲  and  Yang J. Integrated experimental and AI innovations for RNA structure determination.  Nature Biotechnology,  44,  205–214, 2026. 

5.  Wang W ,  Luo Y , 彭珍玲  and  Yang J. Accurate biomolecular structure prediction in CASP16 with optimized inputs to state-of-the-art predictors.  Proteins: Structure, Function, and Bioinformatics,  94,  142-153, 2026. 

6.  Lyu Q , Wei H ,  Chen S , 彭珍玲  and  Yang J. Rapid and accurate protein structure database search using inverse folding model and contrastive learning.  Journal of Chemical Information and Modeling,  65,  13465-13477, 2025. 

7.  Luo Y , Wu H ,  Wei H , 彭珍玲  and  Yang J. Predicting the oligomeric state of proteins using multiple templates detected by complementary alignment methods.  Proteins: Structure, Function, and Bioinformatics,  93,  2138-2149, 2025. 

8.  彭珍玲 , Lu P  and  Yang J. AI accurately predicting the structure of biomolecular interactions.  Cell Research,  34,  601–602, 2024. 

9.  Wei H , Wang W , 彭珍玲  and  Yang J. Q-BioLiP: a comprehensive resource for quaternary structure-based protein-ligand interactions.  Genomics, Proteomics & Bioinformatics,  22,  qzae001, 2024. 

10.  Du Z , 彭珍玲  and Yang J. RNA threading with secondary structure and sequence profile.  Bioinformatics,  40,  btae080, 2024. 

11.  彭珍玲 ,  Wang W ,  Wei H , Li X  and Yang J. Improved protein structure prediction with trRosettaX2, AlphaFold2, and optimized MSAs in CASP15.  Proteins: Structure, Function, and Bioinformatics,  91,  1704-1711, 2023. 

12.  Wang W ,  Feng C ,  Han R , Wang Z , Ye L , Du Z , Wei H , Zhang F , 彭珍玲  and Yang J. trRosettaRNA: automated prediction of RNA 3D structure with transformer network.  Nature Communications,  14,  7266, 2023. 

13.  Zhu K ,  Su H , 彭珍玲  and Yang J. A unified approach to protein domain parsing with inter-residue distance matrix.  Bioinformatics,  39,  btad070, 2023. 

14.  彭珍玲 , Li Z ,  Meng Q ,  Zhao B  and  Kurgan L. CLIP: accurate prediction of disordered linear interacting peptides from protein sequences using co-evolutionary information.  Briefings in Bioinformatics,  24,  bbac502, 2023. 

15.  Wang W , 彭珍玲  and Yang J. Single-sequence protein structure prediction using supervised transformer protein language models.  Nature Computational Science,  2,  804-814, 2022. 

16.  彭珍玲 ,  Wang W ,  Han R , Zhang F  and  Yang J. Protein structure prediction in the deep learning era.  Current Opinion in Structural Biology,  77,  102495, 2022. 

17.  Dai Y , Li Y ,  Wang L , 彭珍玲  and Yang J. On monomeric and multimeric structures-based protein-ligand interactions.  IEEE/ACM Transactions on Computational Biology and Bioinformatics,  19,  569-574, 2022. 

18.  Du Z , 彭珍玲  and Yang J. Toward the assessment of predicted inter-residue distance.  Bioinformatics,  38,  962-969, 2022. 

19.  Su H ,  Wang W , Du Z , 彭珍玲 ,  Gao SH ,  Cheng MM  and Yang J. Improved protein structure prediction using a new multi-scale network and homologous templates.  Advanced Science,  8,  2102592, 2021. 

20.  Du Z ,  Su H , Wang W ,  Ye L ,  Wei H , 彭珍玲 ,  Anishchenko I ,  Baker D  and Yang J. The trRosetta server for fast and accurate protein structure prediction.  Nature Protocols,  16,  5634-5651, 2021. 

21.  Ye L , Wu P , 彭珍玲 ,  Gao J ,  Liu J  and Yang J. Improved estimation of model quality using predicted inter-residue distance.  Bioinformatics,  37,  3752-3759, 2021. 

22.  Song R ,  Cao B , 彭珍玲 ,  Oldfield CJ ,  Wong KC , Kurgan L  and  Yang J. Accurate sequence-based prediction of deleterious nsSNPs with multiple sequence profiles and putative binding residues.  Biomolecules,  11,  1337, 2021. 

23.  Su H , 彭珍玲  and  Yang J. Recognition of small molecule-RNA binding sites using RNA sequence and structure.  Bioinformatics,  37,  36-42, 2021. 

24.  彭珍玲 , Xing Q  and Kurgan L. APOD: accurate sequence-based predictor of disordered flexible linkers.  Bioinformatics,  36,  754-761, 2020. 

25.  Du Z , Pan S ,  Wu Q , 彭珍玲  and Yang J. CATHER: a novel threading algorithm with predicted contacts.  Bioinformatics,  36,  2119-2125, 2020. 

26.  Sun S , Wang W , 彭珍玲  and Yang J. RNA inter-nucleotide 3D closeness prediction by deep residual neural networks.  Bioinformatics,  37,  1093-1098, 2020. 

27.  Oldfield CJ , 彭珍玲 ,  Uversky VN  and Kurgan L. Codon selection reduces GC content bias in nucleic acids encoding for intrinsically disordered proteins.  Cellular & Molecular Life Science,  77,  149-160, 2020. 

28.  Yang J ,  Anishchenko I , Park H , 彭珍玲 ,  Ovchinnikov S  and Baker D. Improved protein structure prediction using predicted interresidue orientations.  PNAS,  117,  1496-1503, 2020. 

29.  Wu Q , 彭珍玲 , Anishchenko I , Cong Q , Baker D  and Yang J. Protein contact prediction using metagenome sequence data and residual neural networks.  Bioinformatics,  36,  41-48, 2020. 

30.  Sun S , Wu Q , 彭珍玲  and  Yang J. Enhanced prediction of RNA solvent accessibility with long short-term memory neural networks and improved sequence profiles.  Bioinformatics,  35,  1686-1691, 2019. 

31.  Katuwawala A , 彭珍玲 ,  Yang J  and Kurgan L. Computational Prediction of MoRFs, Short Disorder-to-order Transitioning Protein Binding Regions.  Computational & Structural Biotechnology Journal,  17,  454-462, 2019. 

32.  Su H , Liu M ,  Sun S , 彭珍玲  and  Yang J. Improving the prediction of protein-nucleic acids binding residues via multiple sequence profiles and the consensus of complementary algorithms.  Bioinformatics,  35,  930-936, 2019. 

33.  Groenendyk J , Fan X , 彭珍玲 , Kurgan L  and  Michalak M. Endoplasmic reticulum and the microRNA environment in the cardiovascular system.  Canadian Journal of Physiology & Pharmacology,  97,  515-527, 2019. 

34.  Meng Q , 彭珍玲  and  Yang J. CoABind: a novel algorithm for Coenzyme A (CoA)- and CoA derivatives-binding.  Bioinformatics,  34,  2598-2604, 2018. 

35.  Zhao Z , 彭珍玲  and  Yang J. Improving sequence-based prediction of protein-peptide binding residues by introducing intrinsic disorder and a consensus method.  Journal of Chemical Information & Modeling,  58,  1459-1468, 2018. 

36.  Wu Q , 彭珍玲 , Zhang Y  and  Yang J. COACH-D: improved protein-ligand binding site prediction with refined ligand-binding poses through molecular docking.  Nucleic Acids Research,  46,  W438-W442, 2018. 

37.  Pan S , Dong R , 彭珍玲 ,  Zhang Y  and  Yang J. mTM-align: a server for fast protein structure database search and multiple protein structure alignment.  Nucleic Acids Research,  46,  W380-W386, 2018. 

38.  Dong R , 彭珍玲 , Zhang Y  and  Yang J. mTM-align: an algorithm for fast and accurate multiple protein structure alignment.  Bioinformatics,  34,  1719–1725, 2018. 

39.  Zheng W , Wuyun Q , 彭珍玲  and Yang J. A large-scale comparative assessment of methods for residue-residue contact prediction.  Briefings in Bioinformatics,  19,  219-230, 2018. 

40.  Xia J , 彭珍玲 ,  Qi D , Mu H  and Yang J. An ensemble approach to protein fold classification by integration of template-based assignment and support vector machine classifier.  Bioinformatics,  33,  863-887, 2017. 

41.  彭珍玲 , Uversky VN  and Kurgan L. Genes encoding intrinsic disorder in Eukaryota have high GC content.  Intrinsically Disordered Proteins,  4,  e1262225, 2016. 

42.  彭珍玲  and Kurgan L. High-throughput prediction of RNA, DNA and protein binding regions mediated by intrinsic disorder.  Nucleic Acids Research,  43,  e121, 2015. 

43.  Wu Z , Hu G ,  Yang J , 彭珍玲 , Uversky VN  and  Kurgan L. In various protein complexes, disordered protomers have large per-residue surface areas and area of protein-, DNA- and RNA-binding interfaces.  FEBS Letters,  589,  2561-2569, 2015. 

44.  彭珍玲 , Yan J ,  Fan X ,  Mizianty MJ ,  Xue B , Uversky VN  and  Kurgan L. Exceptionally abundant exceptions: comprehensive characterization of intrinsic disorder in a thousand proteomes from all domains of life.  Cellular & Molecular Life Science,  72,  137-151, 2015. 

45.  Groenendyk J , Fan X , 彭珍玲 ,  Ilnytskyy Y ,  Kurgan L  and Michalak M. Genome-wide analysis of thapsigargin-induced microRNAs and their targets in NIH3T3 cells.  Genomics Data,  2,  325-327, 2014. 

46.  Groenendyk J , 彭珍玲 ,  Elzbieta Dudek ,  Xiao Fan ,  Marcin J. Mizianty ,  Estefanie Dufey ,  Hery Urra ,  Denisse Sepulveda ,  Diego Rojas-Rivera ,  Yunki Lim ,  Do Han Kim ,  Kayla Baretta ,  Sonal Srikanth ,  Yousang Gwack ,  Joohong Ahnn ,  Randal J. Kaufman ,  Sun-Kyung Lee ,  Claudio Hetz ,  Lukasz Kurgan  and Michalak M. Interplay between PDIA6 and miR-322 controls adaptive response to disrupted endoplasmic reticulum calcium homeostasis.  Science Signaling,  7,  ra54, 2014. 

47.  彭珍玲 , Sakai Y ,  Kurgan L ,  Sokolowski B  and Uversky VN. Intrinsic disorder in the BK channel and its interactome.  PLoS ONE,  9,  e94331, 2014. 

48.  彭珍玲 ,  Christopher J Oldfield , Bin Xue ,  Marcin J Mizianty ,  A Keith Dunker ,  Lukasz Kurgan  and Uversky VN. A creature with a hundred waggly tails: intrinsically disordered proteins in the ribosome.  Cellular & Molecular Life Science,  71,  1477-1504, 2014. 

49.  彭珍玲 , Mizianty MJ  and Kurgan L. Genome-scale prediction of proteins with long intrinsically disordered regions.  Proteins: Structure, Function, and Bioinformatics,  82,  145-158, 2014. 

50.  Uversky AV , Xue B , 彭珍玲 ,  Kurgan L  and Uversky VN. On the intrinsic disorder status of the major players in programmed cell death pathways.  F1000 Research,  2,  190, 2013. 

51.  彭珍玲 , Xue B , Kurgan L  and  Uversky VN. Resilience of death: intrinsic disorder in proteins involved in the programmed cell death.  Cell Death & Differentiation,  20,  1257-1267, 2013. 

52.  Mizianty MJ , 彭珍玲  and Kurgan L. MFDp2 - Accurate Predictor of Disorder in Proteins by Fusion of Disorder Probabilities, Content and Profiles.  Intrinsically Disordered Proteins,  1,  e24428, 2013. 

53.  彭珍玲 , Mizianty MJ ,  Xue B ,  Kurgan L  and Uversky VN. More than just tails: intrinsic disorder in histone proteins.  Molecular Biosystems,  8,  1886-1901, 2013. 

54.  彭珍玲  and Kurgan L. Comprehensive comparative assessment of in-silico predictors of disordered regions.  Current Protein & Peptide Science,  13,  6-18, 2012. 

55.  Howell M , Green R ,  Killeen A ,  Wedderburn L ,  Picascio V ,  Alejandro A , 彭珍玲 ,  …  and Uversky VN. Not that Rigid Midgets and not so Flexible Giants: On the Abundance and Roles of Intrinsic Disorder in Short and Long Proteins.  Journal of Biological System,  20,  471-511, 2012. 

团队成员
团队名称：
 生物信息学团队
版权所有   ©山东大学　地址：中国山东省济南市山大南路27号　邮编：250100　
查号台：（86）-0531-88395114
值班电话：（86）-0531-88364731　建设维护：山东大学信息化工作办公室