Alphafold3全面预测蛋白质与所有生命分子互作及结构

• 全文链接

关键词：

来源：

Nature

全文链接：

//agri.nais.net.cn/topic/downloadFile/2191d289-5921-48a4-acf5-d52f08c15244

来源地址：

https://www.nature.com/articles/s41586-024-07487-w

资源所属：

农业生物技术专题

类型：

学术文献

语种：

英语

原文发布日期：

2024-05-08

摘要：

2024年5月8日，谷歌旗下公司DeepMind与Isomorphic Labs的研究人员团队在Nature发表题为“Accurate structure prediction of biomolecular interactions with AlphaFold 3”的研究论文，该研究描述了AlphaFold 3模型，该模型采用了大幅更新的基于扩散的架构，能够联合预测包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物的结构。新的AlphaFold模型在许多先前的专业工具上展现出了显著的改进精度：在蛋白质-配体相互作用方面比最先进的对接工具具有更高的精度，比核酸特异性预测器在蛋白质-核酸相互作用上具有更高的精度，并且在抗体-抗原预测精度方面明显优于AlphaFold-Multimer v2。这些结果共同表明，在单一统一的深度学习框架内，跨生物分子空间的高精度建模是可能的。准确预测生物复合物的模型对于我们理解细胞功能和合理设计治疗药物至关重要。随着AlphaFold的开发，蛋白质结构预测取得了巨大进展，该领域随后发展迅速，并涌现出一些后续方法，这些方法建立在AlphaFold的思想和技术基础上。几乎在AlphaFold问世后不久，就证明了简单的输入修改可以实现出人意料的准确蛋白质相互作用预测，并且专门为蛋白质相互作用预测训练AlphaFold 2可以得到一个高度准确的系统。这些成功引发了一个问题，即是否可能在深度学习框架内准确预测包含更广泛的生物分子类型的复合物的结构，包括配体、离子、核酸和修饰残基。已经开发了各种各样的预测器用于各种特定的相互作用类型，以及一种与本研究同时发展的通用方法，但是这些深度学习尝试的准确性参差不齐，通常低于受到物理启发的方法。几乎所有这些方法都高度专门化于特定的相互作用类型，无法预测包含许多类型实体的一般生物分子复合物的结构。在这里，作者介绍了AlphaFold 3（AF3），这是一个能够高精度预测几乎所有出现在蛋白质数据银行（PDB）中的分子类型的复合物的模型。除了一个类别外，它在几乎所有方面的性能都比专门针对给定任务的强大方法高得多，包括蛋白质结构和蛋白质相互作用的结构。这是通过AlphaFold 2架构和训练程序的实质性进化实现的，既适应了更普遍的化学结构，又提高了学习的数据效率。系统通过将AlphaFold 2 Evoformer替换为更简单的Pairformer模块来减少多重序列比对（MSA）处理的数量。此外，它还使用扩散模块直接预测原子的原始坐标，替换了在氨基酸特异性框架和侧链扭转角度上操作的AlphaFold 2结构模块。扩散过程的多尺度性质（低噪声水平促使网络改进局部结构）还使我们能够消除立体化学损失和网络中大多数特殊处理的键合模式，轻松适应任意化学组分。