基于人工智能(AI)的蛋白質結構預測工具集

王建民

蛋白質折疊包括在空間中重新排列線性氨基酸序列，使它們處于低能狀態(tài)。僅根據(jù)氨基酸序列預測正確的三維結構是非常困難的，因為肽鍵的自由組合會產(chǎn)生大量的可能性:即使一個小的蛋白質被順序采樣，也需要比宇宙年齡更長的時間，所以預測是經(jīng)過計算的，以避免順序采樣的問題。在過去的40年中，計算和預測不斷改進，通過X射線晶體學、核磁共振波譜和冷凍電鏡實驗確定了蛋白質結構序列的同源性。自1994年以來，通過將計算和預測方法應用于新分析的蛋白質結構，每兩年對其性能進行一次評估。三年前，AlphaFold的首次實現(xiàn)是應用人工智能分析蛋白質結構的革命性進展。2020年，重新設計的AlphaFold幾乎完美準確地預測了蛋白質的三維結構，其預測水平與實驗室?guī)缀醭制?，解決了困擾學術界50年的“蛋白質折疊”難題。DeepMind團隊提出了一種名為AlphaFold 2的計算方法，即使不知道相似的結構，也能以原子精度有規(guī)律地預測蛋白質結構。2021年7月15日，DeepMind團隊在《自然》雜志上發(fā)表了一篇文章& # 34；使用AlphaFold進行高度精確的蛋白質結構預測& # 34；，描述了AlphaFold2是基于神經(jīng)網(wǎng)絡新設計的AlphaFold版本，其預測的蛋白質結構可以達到原子級精度。2021年7月15日，華盛頓大學蛋白質設計研究所David Baker教授的研究小組和其他合作機構在Science上發(fā)表了一篇論文& # 34；使用三軌道神經(jīng)網(wǎng)絡精確預測蛋白質結構和相互作用& # 34；，并發(fā)表了其開源蛋白質預測工具RoseTTAFold的研究成果。

AlphaFold2和RoseTTAFold等數(shù)據(jù)以及人工智能驅動的蛋白質折疊預測工具，為大分子結構預測和設計提供了強大的驅動力。本文旨在總結相關工具。

https://github.com/sacdallago/folding_tools