在細胞中，蛋白質負責執行或催化所有的化學和機械過程。

以氨基酸殘基的線性鏈形式合成的大多數蛋白質會自發地折疊成一個或幾個三維結構。氨基酸序列決定了蛋白質的結構和運動范圍，進而決定了蛋白質的功能。

幾十年來，結構生物學家已經通過實驗確定了數千種蛋白質的結構，但是這些研究的困難使得從序列預測蛋白質結構的計算方法成為可能。

Senior等人在《自然》期刊上撰文，描述了一種名為AlphaFold的算法，它通過引入現代機器學習技術，在解決這一經典問題上邁出了一大步。

蛋白質結構的多樣性使其不具有簡單的折疊規則，使得結構預測變得困難。蛋白質折疊最終是由量子力學驅動的。如果有可能從量子理論中計算出蛋白質分子的確切能量，并對每一種可能的構象都這樣做，那么預測蛋白質最受能量青睞的結構就很容易了。

不幸的是，對蛋白質的量子處理在計算上是難以處理的(量子計算機可能會改變這一點)，而且任何蛋白質可能獲得的所有構象都是天文數字，這使得這個方法并不可行。

AlphaFold使得使用一個簡單的過程來尋找最合適的構象成為可能，而不是使用其他方法使用的復雜的搜索算法。

事后看來，復雜的搜索對于結構預測來說可能是不必要的，這并不奇怪。數學上，點之間的距離決定了它們的相對位置。因此，對距離的預測可以預測結構。

AlphaFold值得注意的一點是，它能夠以足夠的精度預測距離，從而勝過最先進的搜索方法。Senior等人利用深度學習的優勢，從蛋白質序列中提取盡可能多的結構信息。

在最近一次預測蛋白質結構的盲法評估(CASP13事件)中，AlphaFold的算法表現優于所有參賽者，在43種蛋白質中選出25種蛋白質的最佳結構，次優的算法在43種蛋白質中選出3種。

挑戰仍然存在。AlphaFold對于大多數應用還不夠精確，例如計算酶的催化機制或藥物如何與蛋白質結合。

盡管AlphaFold的搜索過程比大多數現代方法簡單得多，但它仍然可能很慢，需要幾十到幾百個小時才能做出一個預測。

對于蛋白質設計等需要對許多不同蛋白質序列的結構進行建模的應用，速度慢是一個障礙。

然而，這是該領域的一個分水嶺。

考慮到可用蛋白質序列數量的持續增長，在未來五年內，由單個折疊區域組成的大多數蛋白質的粗結構可能被成功預測結構。

如此廣泛的結構信息可能會改變生命科學，就像序列信息在過去幾十年里所做的那樣。

這可能意味著，結合冷凍電子顯微鏡在蛋白質結構測定方面的快速進展，我們正在進入結構生物學的黃金時代。

原文出處：

https://www.nature.com/articles/d41586-019-03951-0，A watershed moment for protein structure prediction，作者：Mohammed AlQuraishi

本文來源前瞻網，轉載請注明來源！（圖片來源互聯網，版權歸原作者所有）