Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 3

John Jumper; K Taki; Alexander Pritzel; Tim Green; Michael Figurnov; Olaf Ronneberger; Kathryn Tunyasuvunakool; Augustin Žídek; Anna Potapenko; Alex Bridgland; Andrew J. Ballard; Andrew M. Cowie; Rishub Jain; Jonas Adler; David Reiman; Sebastian W. Bodenstein; Pushmeet Kohli; Demis Hassabis; Victor Bapst; Ellen D. Zhong; Miles Congreve; Akvilė Žemgulytė; Sukhdeep Singh; Michał Zieliński; Richard Evans; Josh Abramson; Jack Dunger; Lindsay Willmore; Joshua Bambrick; David Andreoff Evans; Chia-Chun Hung; Michael O’Neill; Zachary Wu; Eirini Arvaniti; Charles Beattie; Ottavia Bertolli; Alexey V. Cherepanov; Alexander I. Cowen-Rivers; Fabian B. Fuchs; Hannah Gladman; Yousuf A. Khan; Caroline M. R. Low; Kuba Perlin; Pascal Savy; Adrian Stecuła; Ashok Thillaisundaram; Catherine Tong; Sergei Yakneen; Victor Bapst; Max Jaderberg

doi:10.1038/s41586-024-07487-w

Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 3

Accurate structure prediction of biomolecular interactions with AlphaFold 3

John Jumper, K Taki, Alexander Pritzel, Tim Green, Michael Figurnov, Olaf Ronneberger, Kathryn Tunyasuvunakool, Augustin Žídek, Anna Potapenko, Alex Bridgland, Andrew J. Ballard, Andrew M. Cowie, Rishub Jain, Jonas Adler, David Reiman, Sebastian W. Bodenstein, Pushmeet Kohli, Demis Hassabis, Victor Bapst, Ellen D. Zhong, Miles Congreve, Akvilė Žemgulytė, Sukhdeep Singh, Michał Zieliński, Richard Evans, Josh Abramson, Jack Dunger, Lindsay Willmore, Joshua Bambrick, David Andreoff Evans, Chia-Chun Hung, Michael O’Neill, Zachary Wu, Eirini Arvaniti, Charles Beattie, Ottavia Bertolli, Alexey V. Cherepanov, Alexander I. Cowen-Rivers, Fabian B. Fuchs, Hannah Gladman, Yousuf A. Khan, Caroline M. R. Low, Kuba Perlin, Pascal Savy, Adrian Stecuła, Ashok Thillaisundaram, Catherine Tong, Sergei Yakneen, Victor Bapst, Max Jaderberg

2024-05-08

SCID: 54.1/7wt3h86c Discuss with AI

AlphaFold 3предсказание структуры биомолекулярных взаимодействийдиффузионная архитектуравзаимодействия белок–лигандвзаимодействия белок–нуклеиновая кислота

Abstract (AI)

Появление AlphaFold 2 1 вызвало революцию в моделировании структуры белков и их взаимодействий, сделав возможным широкий спектр применений в моделировании и дизайне белков 2–6. Здесь мы описываем модель AlphaFold 3 с существенно обновлённой архитектурой на основе диффузии, способную предсказывать совместную структуру комплексов, включающих белки, нуклеиновые кислоты, малые молекулы, ионы и модифицированные остатки. Новая модель AlphaFold демонстрирует существенно более высокую точность по сравнению со многими ранее разработанными специализированными инструментами: значительно более высокую точность предсказания взаимодействий белок–лиганд по сравнению с современными инструментами докинга, гораздо более высокую точность предсказания взаимодействий белок–нуклеиновая кислота по сравнению со специализированными предикторами взаимодействий с нуклеиновыми кислотами и существенно более высокую точность предсказания взаимодействий антитело–антиген по сравнению с AlphaFold-Multimer v.2.3 7,8. В совокупности эти результаты показывают, что высокоточное моделирование в пространстве биомолекул возможно в рамках единой унифицированной системы глубокого обучения.

Key Findings

AlphaFold 3 обеспечивает существенно более высокую точность предсказания белок–лигандных взаимодействий по сравнению с современными методами докинга.

AlphaFold 3 существенно повышает точность предсказания взаимодействий антитело–антиген по сравнению с AlphaFold-Multimer v.2.3.

AlphaFold 3 использует существенно обновлённую диффузионную архитектуру для предсказания совместных структур комплексов, содержащих белки, нуклеиновые кислоты, малые молекулы, ионы и модифицированные остатки.

Модель демонстрирует значительно более высокую точность предсказания взаимодействий белков с нуклеиновыми кислотами, чем специализированные предикторы для нуклеиновых кислот.

Результаты показывают, что точное моделирование разнообразных биомолекулярных взаимодействий возможно в рамках единой глубокой обучаемой модели.

Research Object

Биомолекулярные комплексы, включающие белки, нуклеиновые кислоты, малые молекулы, ионы и модифицированные остатки

Research Subject

Точное предсказание совместных структур комплексов и биомолекулярных взаимодействий в системах белок–лиганд, белок–нуклеиновая кислота и антитело–антиген

Publication Details

DOI

10.1038/s41586-024-07487-w

Publication Date

2024-05-08

Journal

Publisher

ISSN

Cited by

15959

Open access PDF

https://doi.org/10.1038/s41586-024-07487-w

Access Type

Author Information

Authors

John Jumper

K Taki

Alexander Pritzel

Tim Green

Michael Figurnov

Olaf Ronneberger

Kathryn Tunyasuvunakool

Augustin Žídek

Anna Potapenko

Alex Bridgland

Andrew J. Ballard

Andrew M. Cowie

Rishub Jain

Jonas Adler

David Reiman

Sebastian W. Bodenstein

Pushmeet Kohli

Demis Hassabis

Victor Bapst

Ellen D. Zhong

Miles Congreve

Akvilė Žemgulytė

Sukhdeep Singh

Michał Zieliński

Richard Evans

Josh Abramson

Jack Dunger

Lindsay Willmore

Joshua Bambrick

David Andreoff Evans

Chia-Chun Hung

Michael O’Neill

Zachary Wu

Eirini Arvaniti

Charles Beattie

Ottavia Bertolli

Alexey V. Cherepanov

Alexander I. Cowen-Rivers

Fabian B. Fuchs

Hannah Gladman

Yousuf A. Khan

Caroline M. R. Low

Kuba Perlin

Pascal Savy

Adrian Stecuła

Ashok Thillaisundaram

Catherine Tong

Sergei Yakneen

Victor Bapst

Max Jaderberg

Download PDF

Make a presentation

Источники этой статьи в scid.ai4

Высокоточное предсказание структуры белков с помощью AlphaFold2021 Банк данных по белкам2000 Точное предсказание структур и взаимодействий белков с использованием трековой нейронной сети из трех каналов2021 Прогнозирование белковых комплексов с помощью AlphaFold-Multimer2021

Работы, цитирующие эту статью20

Семейство BCL2: от механизмов апоптоза к новым достижениям таргетной терапии2025 Масштабируемое моделирование равновесных ансамблей белков с помощью генеративного глубокого обучения2025 Прикладной искусственный интеллект в материаловедении и дизайне материалов2025 Языковые модели белков, обученные на биофизической динамике, информируют о влиянии мутаций2026 Сигнализация поверхностного иммунитета разблокирует активацию NLR посредством альтернативного сплайсинга мРНК2026 Картирование внутриклеточных контактных участков белков выявляет захват паразплексов при инфекции вирусом гриппа A2026 Метаболические «клеи» как механизм распознавания пуринов и ответа на химиотерапию2026 Библиотека вирусного ORFeome для системного генетического анализа взаимодействий хозяин-патоген2026 Секретируемый белок эндосимбионта, необходимый для колонизации клеток хозяина2026 Линейное предсказание взаимодействий белков микроорганизмов в масштабе протеома2026 Структура вирусоподобных частиц человеческого аденовируса 7: платформа для разработки нанотерапевтиков и изучения сборки капсида2026 Архитектура суперсборки Hdr–Vhu–Fwd массой 8 MDa у метаногенов класса I2026 Люминеспиб и AZ5104 являются эффективными антитромботическими препаратами за счёт воздействия на путь Ero1α–PDI тромбоцитов2026 Структурная основа распознавания лизофосфатидной кислоты и нетипичного связывания с Gαq рецептором LPAR52026 Телесто-специфическая ось «кислород–иммунитет», где FIH активирует NF-κB через конкурентное связывание с IκBα2026 AbpX из Pyrodictium abyssi выявляет кальций-реагирующую семью микробных белков биоматрицы, формирующих термостойкие гидрогели2026 Структура прекомплекса и объяснение биогенеза CMGE2026 Геномный CRISPR-скриннинг выявляет, как диатомовые водоросли процветают при динамическом освещении2026 Бактериальный симбионт и растительный вирус повышают приспособленность насекомого, индуцируя физические защиты против грибковых паразитов2026 Аутопагический процесс, опосредованный EMB/ATG7, регулирует рост нейритов и способствует развитию энтеральных нейронов2026