概述
因为形状决定功能，这加速了药物发现、酶设计和疾病研究。
深入探讨
蛋白质是折叠成复杂的 3D 形状的氨基酸链，该形状决定了蛋白质的作用。仅仅根据序列预测折叠曾经几乎是不可能的，需要缓慢而昂贵的实验室方法，例如 X 射线晶体学。 2020 年，DeepMind 的 AlphaFold2 在 CASP14 竞赛中震惊了业界，以接近实验的精度预测结构。它从蛋白质数据库的数以万计的已知结构以及相关序列的进化模式中学习。到 2022 年，AlphaFold 已发布了超过 2 亿种蛋白质的预测结构，几乎涵盖了所有已编目的生物体。 2024 年诺贝尔化学奖表彰了这一突破，它改变了生物学家解决以前无法解决的结构问题的方式。
现实世界的实施
研究人员使用 AlphaFold 结构来加速针对疟疾和被忽视的热带疾病蛋白质的候选抑制剂的设计。
科学家设计了新型酶，通过预测和优化折叠结构以提高稳定性来分解 PET 塑料。
制药公司筛选 AlphaFold 预测的结构，以识别以前未表征的疾病目标上的可药物口袋。
疫苗开发人员对病原体表面蛋白的 3D 形状进行建模，以设计引发更强免疫反应的抗原。
人工智能在蛋白质结构预测中的未来
该前沿领域正在超越单一静态结构，转向模拟蛋白质动力学、多蛋白质复合物以及与 DNA、RNA 和小分子药物的相互作用。 AlphaFold3 (2024) 和 RoseTTAFold 等工具已经预测了这种相互作用。从头蛋白质设计的生成模型正在创造自然界中不存在的全新蛋白质，包括定制酶和粘合剂。期望与湿实验室自动化更紧密地集成，从而关闭人工智能预测和实验验证之间的循环。
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 AI 蛋白质结构预测？
AI 仅根据氨基酸序列即可预测蛋白质折叠成的 3D 形状，解决了生物学领域 50 年来的重大挑战。由于形状决定功能，这加速了药物发现、酶设计和疾病研究。
AlphaFold2 主要使用什么输入来预测蛋白质的 3D 结构？
AlphaFold2 从蛋白质的一维氨基酸序列以及相关序列的进化信息开始预测折叠 3D 结构。
为什么预测蛋白质的形状如此重要？
蛋白质的 3D 形状决定了其生物功能以及哪些分子（包括药物）可以与其相互作用。
AlphaFold2 从多重序列比对中利用了什么进化信号？
当两个氨基酸在相关蛋白质中共同进化时，通常表明它们在折叠结构中物理上接近，这是网络使用的关键线索。
AlphaFold2在2020年的哪场比赛中展现了突破性的准确率？
AlphaFold2 接近实验的准确性在 2020 年两年一度的蛋白质结构预测评估 CASP14 上得到了证明。
有哪些重大科学荣誉认可人工智能驱动的蛋白质结构预测？
2024 年诺贝尔化学奖表彰了蛋白质结构预测和计算蛋白质设计方面的工作。