熟女俱乐部五十路二区av,又爽又黄禁片视频1000免费,国产卡一卡二卡三无线乱码新区,中文无码一区二区不卡αv,中文在线中文a

"); //-->

博客專欄

EEPW首頁 > 博客 > 高效預測幾乎所有人類蛋白質結構,AlphaFold再登Nature,數(shù)據(jù)庫全部免費開放

高效預測幾乎所有人類蛋白質結構,AlphaFold再登Nature,數(shù)據(jù)庫全部免費開放

發(fā)布人:機器之心 時間:2021-07-25 來源:工程師 發(fā)布文章

以下文章來源于ScienceAI ,作者ScienceAI

這次,AlphaFold 的預測結果幾乎覆蓋了人類所有的蛋白質結構,而且將免費開放給公眾。這將是科學界的一筆寶貴財富。

生命所必需的每一次基礎生物學活動幾乎都是由蛋白質帶來的。蛋白質參與創(chuàng)建細胞和組織并保持著它們的形狀;構成維持生命所需化學反應的催化酶;充當分子工廠、轉運工具和馬達;充當細胞通訊的信號和接收器等等。

蛋白質由很多氨基酸長鏈組成,通過折疊成精確的 3D 結構來完成無數(shù)的任務。這些結構控制著它們與其它分子互動的方式,決定了其功能以及它在疾病中的功能紊亂程度。闡明蛋白質的結構是分子生物學的核心議題,更是治療患者、拯救生命、改變生活的醫(yī)學發(fā)展的核心。

在這一領域,DeepMind 的 AlphaFold 被寄予厚望。在上周發(fā)表在《自然》雜志上的一篇論文中,DeepMind 表示,AlphaFold 預測的蛋白質結構已經(jīng)能達到原子水平的準確度。

如今,這一成果的最大回報已經(jīng)到來:其中一個研究小組剛剛宣布,他們已經(jīng)使用新開發(fā)的 AlphaFold 預測出了 35 萬種蛋白質的結構,包括人類基因組所表達的約 2 萬種蛋白質和其他 20 種生物學研究中常用模式生物(如大腸桿菌、酵母和果蠅)的蛋白質,是以前用實驗方法解決的蛋白質數(shù)量的兩倍多。該組織表示,未來,他們還將繼續(xù)擴大預測的范圍,將預測數(shù)量擴展至已編目的所有蛋白質,這大約要覆蓋 1 億個分子。

最重要的是,DeepMind 還與歐洲生物信息研究所(EMBL-EBI)合作建立了一個平臺——AlphaFold DB(AlphaFold 蛋白質結構數(shù)據(jù)庫),將他們的預測結果免費開放給公眾。這將涵蓋 98.5% 的幾乎所有人類蛋白。

1.png

網(wǎng)站鏈接:https://alphafold.ebi.ac.uk/

DeepMind 創(chuàng)始人兼首席執(zhí)行官 Demis Hassabis 博士說:「我們使用 AlphaFold 生成了人類蛋白質組最完整、最準確的圖片。我們相信這是迄今為止人工智能對推進科學知識所做的最重要貢獻,也是人工智能可以為社會帶來的各種好處的一個很好的例證 。」

這項最新的研究成果于 7 月 22 日以「Highly accurate protein structure prediction for the human proteome」為題發(fā)表在《自然》雜志上。

2.png

論文鏈接:https://www.nature.com/articles/s41586-021-03828-1

研究發(fā)現(xiàn),AlphaFold 能對人類蛋白質組 58% 的氨基酸的結構位置給出可信預測。其中,對 35.7% 的結構位置的預測達到了很高的置信度,是實驗方法覆蓋的結構數(shù)量的兩倍。在蛋白水平上,AlphaFold 對 43.8% 的蛋白的至少四分之三的氨基酸序列給出了可信預測。預測信息將通過 EMBL-EBI 托管的公用數(shù)據(jù)庫免費向公眾開放。

清華大學生命科學學院的龔海鵬副教授告訴機器之心——ScienceAI,「這項工作影響非常深遠,將在很大程度上改變相關領域的科研模式」,而且從事蛋白質功能和機理研究、分子動力學模擬和基于結構的****物開發(fā)、蛋白質結構解析的研究者都能從中受益。

龔海鵬副教授表示,對于計算化學領域和生物信息學領域的研究者來說,這項研究給出了很好的蛋白質初始結構信息,可以基于此進行分子動力學模擬以及計算機輔助****物設計等工作。研究蛋白質功能和機理的學者,也可以根據(jù)預測的結構解釋實驗中氨基酸殘基突變對蛋白質功能的影響,有助于更深入和更準確地理解蛋白質的工作機理。目前結構解析團隊用冷凍電鏡法較容易建立低分辨率的電子密度圖,用X射線晶體衍射法常常缺乏相位信息,這些缺陷都影響結構的解析;而該研究結果的開源,使得大部分實驗室可以根據(jù)精度較低的實驗數(shù)據(jù)建立較為合理的結構模型。

不過,芝加哥豐田計算技術研究所的許錦波教授指出:「AlphaFold 預測人類蛋白的覆蓋率很高,達到了 98.5%,但在某些生物制****或疾病治療領域,對蛋白質氨基酸結構精度需要達到原子級別,從這個角度看,AlphaFold 還有一定的提升空間。」

另一些研究人員也同意許教授的看法。自然資源部第三海洋研究所一名研究蛋白互作的研究人員表示,AlphaFold 是對實驗結構生物學的一種補充技術,它可以加速現(xiàn)有的生物結構實驗研究,節(jié)約數(shù)月的時間,但「預測畢竟是預測,還是需要實驗證實」。

參與這項工作的 DeepMind 研究人員表示,「像AlphaFold 這樣擅長理解蛋白質結構任務的網(wǎng)絡架構的發(fā)展令人樂觀,我們可以在相關問題上(預測復合物的結構、結合非蛋白質成分等)取得進展……大規(guī)模的準確結構預測將成為一種重要工具,讓我們能從結構的角度解答新的科學問題,而 AlphaFold 的預測結果將幫助進一步闡明蛋白質的作用?!?/p>

機器學習加速蛋白質結構預測

解析蛋白質的結構可以為理解生物學過程提供重要信息,并有望指導****物研發(fā)??紤]到理解人類蛋白質組對健康和醫(yī)****的重要性,研究人員付出了大量努力來確定這些蛋白質結構。雖然開展了數(shù)十年的研究攻關,但只有 35% 的人類蛋白質映射到蛋白質數(shù)據(jù)庫(PDB)條目。利用實驗方法解析結構需要跨越諸多十分耗時的障礙,因此,擴大蛋白質組覆蓋面仍是一項艱巨挑戰(zhàn)。

蛋白質結構預測通過快速、大規(guī)模地提供可操作的結構假設,有助于縮小這一差距。近年來,機器學習方法的出現(xiàn),讓蛋白質結構預測取得了實質性進展。

2020年12月,DeepMind 團隊開發(fā)的 AlphaFold2 在國際蛋白質結構預測競賽 CASP14 擊敗一眾選手,實現(xiàn)了前所未有的結構預測精度,這破解了出現(xiàn)50年之久的蛋白質分子折疊問題,被稱作結構生物學「革命性」的突破、蛋白質研究領域的里程碑。

上周,備受矚目的 AlphaFold2 開源,它預測的蛋白質結構能達到原子水平的準確度。鑒于此,DeepMind 將 AlphaFold 應用于人類蛋白質組結構預測。

視頻簡單介紹了AlphaFold預測蛋白質結構的原理與方法。(來源:DeepMind)

AlphaFold方法

AlphaFold 網(wǎng)絡由兩個主要階段組成。第1階段,以氨基酸序列和多序列對齊(MSA)作為輸入。它的目標是學習一個豐富的「成對表示」。這種表示可提供「哪些殘基對在 3D 空間中接近」的信息。第2階段,使用第一階段的表示法直接產(chǎn)生原子坐標;將每個殘基作為一個單獨的物體,預測放置每個殘基所需的旋轉和平移;最終組裝成一個完整的結構鏈。這里可以生成一個基于網(wǎng)絡中間層表示的三維結構。

3.png

圖示:CASP14的預測結構在網(wǎng)絡的連續(xù)層上的目標T1044、T1024和T1064。(來源:論文)

準確性和置信度

CASP14 實驗對 AlphaFold 進行了嚴格的評估。實驗中,參與者對已經(jīng)解決但尚未公開的蛋白質結構進行盲測。AlphaFold 在大多數(shù)情況下都取得了較高的精度,實驗結構平均 95% 的 RMSD-Cα 小于1?。在新發(fā)布的論文中,DeepMind在更大的 PDB 條目上進一步評估了這個模型。結果表明,AlphaFold 在大蛋白上具有強大性能和良好的側鏈精度,其中主鏈預測性能很好。

4.png

圖示:在CASP14中AlphaFold相對于其他方法的精度。(來源:論文)

結構預測實用性的一個重要因素是相關置信度的質量。為了解決「模型能否確定其預測中可能可靠的部分」的問題,研究人員在 AlphaFold 網(wǎng)絡的基礎上開發(fā)了兩個信任度量。

第一個度量是 pLDDT(預測的 lDDT-Cα),它是在 0 -100范圍內對局部置信度的每個殘基的度量。pLDDT可以沿著一條鏈顯著變化,使得模型能夠表達結構域的高置信度,但是在結構域之間的連接子(linker)上具有低置信度。研究人員提出了一些證據(jù),證明低 pLDDT 的區(qū)域可能是孤立的非結構。pLDDT<50 的區(qū)域不應被解釋,或者被解釋為「可能的無序預測」。

第二個度量是 PAE(預測對齊誤差),當預測和真實結構在殘基y上對齊時,它報告AlphaFold在殘基x處的預期位置誤差。這對于評估對全局特征(尤其是域包裝)的信心很有用。對于來自兩個不同結構域的殘基x和y,在(x,y)處始終較低的PAE表明α折疊對相對結構域位置更可信;在(x,y)處始終較高的PAE表明不應解釋域的相對位置。用于生成PAE的一般方法,同樣適用于預測各種基于疊加的度量,包括 TM-score 和 GDT。

5.png

圖示:兩種示例蛋白(P54725、Q5VSL9)的每殘基置信度(pLDDT)和預測對準誤差(PAE)。(來源:論文)

蛋白質組規(guī)模和 AlphaFold DB

AlphaFold 可快速預測的特性,允許該方法應用于整個蛋白質組規(guī)模。研究人員使用 AlphaFold 對人類蛋白質組進行預測。在這之前,AlphaFold 已經(jīng)對許多模式生物、病原體以及經(jīng)濟上重要的物種的參考蛋白質組進行了預測。觀察物種之間pLDDT 分布的差異,AlphaFold 的預測對細菌和古細菌的置信度普遍較高,對真核生物的置信度較低;研究人員猜測可能與這些蛋白質組中疾病的流行有關。

6.png

圖示:14 個物種的每個殘留置信度分布;從左到右:細菌/古細菌、動物和原生生物。(來源:論文)

7.png

圖示:AlphaFold DB 對自各種生物體的預測示例。(來源:論文)

論文一作 Kathryn Tunyasuvunakool 表示:「我們對計算生物學的未來感到興奮。最終,我們希望 AlphaFold 將成為一個照亮蛋白質空間的有用工具,我們期待看到它在未來幾個月和幾年的應用?!?/p>

*博客內容為網(wǎng)友個人發(fā)布,僅代表博主個人觀點,如有侵權請聯(lián)系工作人員刪除。



關鍵詞: AI

相關推薦

技術專區(qū)

關閉