机构名称：
¥ 1.0
机械活性蛋白对于无数生理和病理过程至关重要。在单分子力谱 (SMFS) 技术的进步的指导下，我们已经在分子水平上了解了机械活性蛋白如何感知和响应机械力。然而，即使是 SMFS 也有其局限性，包括在力加载实验中缺乏详细的结构信息。这正是分子动力学 (MD) 方法大放异彩的地方，它以飞秒时间分辨率提供原子细节。然而，MD 严重依赖于高分辨率结构数据的可用性，而大多数蛋白质都无法获得这些数据。例如，蛋白质数据库目前存储了 192K 个结构，而 Uniprot 上有 231M 个蛋白质序列。但许多人认为，这一差距可能很快就会缩小。在过去的一年里，基于人工智能的 AlphaFold 能够根据蛋白质序列预测近天然蛋白质折叠，从而在结构生物学领域引起了轰动。对于一些人来说，AlphaFold 正在促成结构生物学与生物信息学的融合。在这里，我们使用我们小组首创的计算机模拟 SMFS 方法，研究 AlphaFold 结构预测在研究葡萄球菌粘附蛋白的机械性能方面的可靠性。我们的结果表明，AlphaFold 可以产生极其可靠的蛋白质折叠，但在许多情况下无法准确预测高分辨率蛋白质复合物。尽管如此，结果表明 AlphaFold 可以彻底改变对这些蛋白质的研究，特别是通过允许对蛋白质结构进行高通量扫描。同时，我们表明 AlphaFold 结果需要验证，不应盲目使用，否则可能会获得错误的蛋白质机制。
人工智能时代的蛋白质结构预测
主要关键词
相关文件推荐
