Высокоточное предсказание структуры белков с помощью AlphaFold

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.