详细内容或原文请订阅后点击阅览
迈向实验引导的 AlphaFold
ISTA 研究人员用实验数据指导 AlphaFold，为改进未来预测模型铺平道路。从左到右：Advaith Maddipatla、Meital Bojan、Alex Bronstein、Nadav Sellam Bojan 和 Paul Schanda。 © ISTA。基于人工智能的程序 AlphaFold 可以非常准确地预测蛋白质的 3D 结构。然而，它倾向于将异质结构减少为单一主导[...]
来源:ΑΙhubISTA 研究人员用实验数据指导 AlphaFold，为改进未来预测模型铺平道路。从左到右：Advaith Maddipatla、Meital Bojan、Alex Bronstein、Nadav Sellam Bojan 和 Paul Schanda。 © ISTA。
基于人工智能的程序 AlphaFold 可以非常准确地预测蛋白质的 3D 结构。然而，它倾向于将异质结构减少为单一的主要构象或形状，并忽略了可以改变局部结构的实验条件。奥地利科学技术研究所 (ISTA) 的研究人员和国际合作者现已开发出一种用实验数据指导 AlphaFold 的方法。他们的方法发表在《自然生物技术》上，为改进未来的预测模型铺平了道路。
我们对分子结构的理解很大程度上受到 X 射线晶体学的影响，这种技术几十年来一直是结构生物学的核心支柱。虽然晶体结构对我们的生物、医学和药物知识做出了巨大贡献，但它们也鼓励了分子结构是静态的观点。
此外，晶体结构通常可以解析折叠蛋白质中可识别的结构特征，例如 α 螺旋、β 链和 β 折叠。相比之下，更灵活的区域（通常缺失）（例如环）显示为连接分子可见部分的虚线。问题是：这些区域不仅仅是没有生物学意义的连接子。
AlphaFold——一种彻底改变结构生物学并获得 2024 年诺贝尔化学奖的人工智能工具——与其他预测模型一样，也是在静态晶体结构上进行训练的。这些结构主导蛋白质数据集，约占蛋白质数据库 (PDB) 的 85%。然而，科学家们越来越意识到，蛋白质整个结构的运动对其功能至关重要。