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几种机械活性蛋白如何响应机械力。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。这就是分子动力学 (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的可用性，而大多数蛋白质都无法获得高分辨率结构。例如，蛋白质数据库目前已存储 192K 个结构，而 Uniprot 上有 231M 个蛋白质序列。但许多人打赌这个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 首次能够根据蛋白质序列预测近乎天然的蛋白质折叠，从而在结构生物学领域引起了轰动。对于某些人来说，AlphaFold 正在推动结构生物学与生物信息学的融合。从这个角度来看，使用计算机模拟 SMFS 方法，我们研究了 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，特别是通过允许高通量扫描蛋白质结构。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
