AlphaFold标志着蛋白质结构预测新时代的到来

蛋白质是生命活动的基本组成部分，其结构对于理解其功能至关重要。尽管已有大量蛋白质的结构被确定，但这只是已知蛋白质序列的一小部分。传统的实验方法确定一个蛋白质结构需要数个月乃至数年的时间，因此需要准确的计算方法来填补这一空白，以便进行大规模的结构生物信息学研究。预测蛋白质三维结构，即“蛋白质折叠”的结构预测部分一直是蛋白研究的重要研究课题。现有方法在没有同源结构的情况下，预测精度远未达到理想水平。

AlphaFold是由Google DeepMind团队开发的一款深度学习系统，专门用于预测蛋白质的三维结构。自2020年首次在蛋白质结构预测竞赛CASP中亮相以来，AlphaFold已经经历了多次迭代，从AlphaFold1到AlphaFold3，它在处理生物科学中的核心问题——蛋白质折叠方面取得了重大突破。2024年5月，DeepMind在《Nature》期刊发表题为“Accurate structure prediction of biomolecular interactions with AlphaFold 3”的文章，正式发布AlphaFold 3。这一版本不仅提高了预测蛋白质结构的准确性（图1），还扩展了其应用范围，能够预测包括蛋白质、DNA、RNA、小分子和修饰残基在内的复合物的结构。

图1 Alphafold生成高精度结构^[2]

AlphaFold是利用深度学习和神经网络，对数百万个已知蛋白质结构进行训练，分析氨基酸序列与其空间排布之间的关系。其核心功能是通过输入氨基酸序列，预测蛋白质的折叠结构。这一功能对于理解蛋白质的结构、设计新药以及研究疾病机制具有重要意义。例如，AlphaFold在COVID-19大流行期间，快速预测了SARS-CoV-2病毒刺突蛋白（S蛋白）和膜蛋白（M蛋白）的结构，为疫苗和抗体设计提供了关键结合位点。

在2020年的蛋白质结构预测竞赛（CASP14）中，AlphaFold在预测准确性方面取得了显著成果，超越了所有参赛团队。AlphaFold能够在大多数情况下预测出接近实验精度的蛋白质结构，这对于生物学应用来说是一个重大突破。此外，AlphaFold还能够处理在PDB结构中未指定物理条件具有挑战性的情况下产生准确的模型，例如纠缠的同源物或仅在未知血红蛋白存在下折叠的蛋白质。AlphaFold的预测速度也很快，具体时间可能会根据蛋白质的复杂性和长度有所不同。例如，较短且结构简单的蛋白质可能在数小时内完成预测，而对于复杂的蛋白质，可能需要一两天的时间，这为蛋白质组规模的结构预测提供了可能。

参考文献：

[1] Guo SB, Meng Y, Lin L, Zhou ZZ, Li HL, Tian XP, Huang WJ. Artificial intelligence alphafold model for molecular biology and drug discovery: a machine-learning-driven informatics investigation. Mol Cancer. 2024, 5;23(1):223.

[2] Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, Tunyasuvunakool K, Bates R, Žídek A, Potapenko A, Bridgland A, Meyer C, Kohl SAA, Ballard AJ, Cowie A, Romera-Paredes B, Nikolov S, Jain R, Adler J, Back T, Petersen S, Reiman D, Clancy E, Zielinski M, Steinegger M, Pacholska M, Berghammer T, Bodenstein S, Silver D, Vinyals O, Senior AW, Kavukcuoglu K, Kohli P, Hassabis D. Highly accurate protein structure prediction with AlphaFold. Nature. 2021, 596(7873):583-589.