Высокоточное предсказание структуры белков с помощью AlphaFold
Highly accurate protein structure prediction with AlphaFold
2021-07-15
SCID: 54.1/pta26hvm
Discuss with AI
AlphaFoldглубокое обучениемножественные выравнивания последовательностейпроблема фолдинга белкапредсказание структуры белка
Figures from the paper
Abstract (AI)
Белки необходимы для жизни, и понимание их структуры может способствовать механистическому пониманию их функций. Благодаря масштабным экспериментальным исследованиям 1–4 были определены структуры примерно 100 000 уникальных белков 5, однако это составляет лишь небольшую долю из миллиардов известных белковых последовательностей 6,7. Охват структурными данными ограничен многомесячными или многолетними кропотливыми усилиями, необходимыми для определения структуры одного белка. Для устранения этого пробела и развития крупномасштабной структурной биоинформатики необходимы точные вычислительные методы. Предсказание трёхмерной структуры, которую принимает белок, исключительно на основе его аминокислотной последовательности — компонента задачи предсказания структуры в рамках «проблемы сворачивания белка» 8 — уже более 50 лет остаётся важной нерешённой научной задачей 9. Несмотря на недавний прогресс 10–14, существующие методы значительно уступают атомарной точности, особенно при отсутствии гомологичной структуры. В настоящей работе представлен первый вычислительный метод, способный регулярно предсказывать структуры белков с атомарной точностью даже в случаях, когда неизвестна ни одна сходная структура. Полностью переработанную версию нашей модели AlphaFold на основе нейронной сети мы проверили в рамках сложного 14-го эксперимента по критической оценке методов предсказания структуры белков (Critical Assessment of protein Structure Prediction, CASP14) 15. В большинстве случаев точность модели была сопоставима с точностью экспериментально определённых структур, а по сравнению с другими методами она продемонстрировала значительное превосходство. В основе последней версии AlphaFold лежит новый подход машинного обучения, который при разработке алгоритма глубокого обучения объединяет физические и биологические знания о структуре белков, используя множественные выравнивания последовательностей.
Key Findings
1
AlphaFold помогает преодолеть ограниченность структурного покрытия, обусловленную медленным и трудоёмким экспериментальным определением структур белков.
2
В сложном тестировании CASP14 AlphaFold значительно превзошёл другие методы предсказания структуры белков.
3
AlphaFold стал первым вычислительным методом, который, согласно сообщению авторов, регулярно предсказывает структуры белков с атомарной точностью, включая случаи без известных сходных структур.
4
В оценивании CASP14 AlphaFold достиг точности, сопоставимой с экспериментальными структурами, в большинстве случаев.
5
Переработанная нейросетевая модель AlphaFold объединяет физические и биологические знания о структуре белков и использует множественные выравнивания последовательностей.
Research Object
Предсказание трёхмерной структуры белка по последовательности аминокислот с помощью AlphaFold
Research Subject
точность предсказания структуры белков, особенно на атомном уровне при отсутствии гомологичных структур
Publication Details
Publication Date
2021-07-15
Journal
Publisher
ISSN
Cited by
43758
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Работы, цитирующие эту статью20
Два новых памятника позднего каменного века финального плейстоцена в долине Фалеме, восточный Сенегал2024
Точное предсказание структуры биомолекулярных взаимодействий с помощью AlphaFold 32024
UCSF ChimeraX: инструменты для построения и анализа структур2023
Прогнозирование белковых комплексов с помощью AlphaFold-Multimer2021
Учёный ИИ: к полностью автоматизированному открытому научному поиску2024
Вычислительные подходы, оптимизирующие процесс открытия лекарственных средств2023
Таргетное воздействие на пути p53: механизмы, структура и достижения в терапии2023
Генеративный искусственный интеллект2023
Лаборатории с автономным управлением для химии и материаловедения2024
Развитие лабораторий с автономным управлением в химии и материаловедении2023
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023
Компьютерная разработка лекарств и открытие препаратов: перспективный анализ2023
Масштабируемое моделирование равновесных ансамблей белков с помощью генеративного глубокого обучения2025
Автономное биомедицинское исследование с использованием агента искусственного интеллекта2026
Новые возможности и проблемы будущего вычислений с резервуаром2024
Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения2024
Расширение возможностей биомедицинских исследований с помощью ИИ-агентов2024
Языковые модели ДНК являются мощными предикторами эффектов вариантов по всему геному2023
Автономные «самоуправляемые» лаборатории: обзор технологий и последствий для политики2025
Biomni: универсальный биомедицинский агент на основе ИИ2025