Прогнозирование белковых комплексов с помощью AlphaFold-Multimer

Несмотря на то, что подавляющее большинство хорошо структурированных одиночных белковых цепей теперь можно прогнозировать с высокой точностью благодаря модели AlphaFold, прогнозирование многоланцевых белковых комплексов во многих случаях остаётся проблемой. В этой работе мы показываем, что модель AlphaFold, обученная специально для мультимерных входов с известной стехиометрией, которую мы называем AlphaFold-Multimer, значительно повышает точность предсказанных мультимерных интерфейсов по сравнению с адаптированной для входа одноцепочечной версией AlphaFold при сохранении высокой внутрицепочечной точности. На эталонном наборе из 17 гетеродимерных белков без шаблонов (введённом в [2]) мы достигаем как минимум средней точности (DockQ ≥ 0.49) по 13 целям и высокой точности (DockQ ≥ 0.8) по 7 целям, по сравнению с 9 целями как минимум средней точности и 4 целями высокой точности для предыдущего передового решения (системы на базе AlphaFold из [2]). Мы также прогнозируем структуры для большого набора из 4446 недавних белковых комплексов, для которых оцениваем все нерепрезентативные интерфейсы с низкой идентичностью шаблона. Для гетеромерных интерфейсов нам удаётся успешно предсказать интерфейс (DockQ ≥ 0.23) в 70% случаев и получить предсказания высокой точности (DockQ ≥ 0.8) в 26% случаев, что соответствует улучшению на +27 и +14 процентных пункта по сравнению с модификацией AlphaFold с гибким линкером соответственно. Для гомомерных интерфейсов нам удаётся успешно предсказать интерфейс в 72% случаев и получить предсказания высокой точности в 36% случаев, что соответствует улучшению на +8 и +7 процентных пункта соответственно.