概述
这些都是研究工具：仅预测结构或设计序列并不能确定生物学功能、治疗效果、安全性或临床准备情况。
深入探讨
AlphaFold 根据序列预测蛋白质结构，而 RFdiffusion 等方法提出蛋白质主链，ProteinMPNN 预测与目标主链兼容的序列。引用的 RFdiffusion 和 ProteinMPNN 研究报告了特定的计算和实验室评估；他们的结果并不能证明任何生成的候选物具有功能或适合作为药物。抗体 CDR 环有助于抗原结合，但成功的结合、特异性、可开发性和安全性需要实验评估。 AlphaFold 3 的开发人员描述包括对涉及蛋白质、DNA、RNA、小分子、离子和修饰残基的相互作用进行建模；预测仍然是研究假设。对于在美国用于人类使用和销售的治疗性生物制剂，FDA 描述了临床前和临床开发以及适用的营销审查；重组治疗蛋白可能需要生物制剂许可申请。该途径并不适用于所有研究蛋白质或非治疗结构。 AlphaFold-Multimer 是一个单独的模型变体，用于预测多个相互作用的蛋白质链的结构；这些预测是需要实验评估的假设。相关的主要论文报告了其评估设置中改进的界面预测。
现实世界的实施
AlphaFold 的 2020 年出版物描述了根据氨基酸序列预测蛋白质结构。
RFdiffusion 的论文评估了计算设计的蛋白质结构和选定的实验验证。
ProteinMPNN 在报告的设计实验中预测目标主链结构的序列。
说明性：研究人员可以通过实验测试候选抗体环；没有任何设计方法可以保证结合或治疗性能。
人工智能在抗体和蛋白质设计中的未来
一个有用的研究方向是衡量计算设计的成功如何转移到表达、稳定性、结合和功能测定中。治疗开发需要特定产品的证据和适用的监管途径；不要从计算设计结果推断临床益处。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
不断探索
常见问题
什么是抗体和蛋白质设计中的人工智能？
人工智能方法可以预测蛋白质结构、提出主链并帮助选择序列。这些都是研究工具：仅预测结构或设计序列并不能确定生物学功能、治疗效果、安全性或临床准备情况。
DeepMind 的 AlphaFold 取得了哪些著名的成就？
AlphaFold 在根据氨基酸序列预测蛋白质的 3D 结构方面取得了突破。
射频扩散有什么作用？
RFdiffusion 使用扩散模型来设计全新的蛋白质主链，通常以结合目标为条件。
ProteinMPNN 在蛋白质设计中的作用是什么？
ProteinMPNN 是一种逆折叠模型：它预测指定主干的候选序列。预测并不能保证序列会折叠或在实验中发挥作用。
在抗体中，AI通常设计什么部分来结合靶标？
人工智能有助于设计互补决定区（CDR），即锁定目标抗原的环。
为什么预测设计的蛋白质链如何折叠如此重要？
蛋白质结构与功能相关，但结构预测和设计假设并不能取代生化或功能测定。