简介:本文讲清AI如何从单链蛋白预测扩展到蛋白质、核酸、配体和离子组成的复合物,解释pLDDT与PAE的读法,对比分子对接与分子动力学的差异,并给出可直接套用的选型检查清单,帮助科研人员判断预测结果能信到什么程度。
AI生物分子结构预测是指用深度学习模型,根据生物分子的序列信息,推断其三维结构以及不同分子之间的相互作用方式。这里的生物分子包括蛋白质、DNA、RNA、小分子配体和金属离子。它是AI for Science中发展较快的方向之一。
输入不限于一条氨基酸或核苷酸序列。完整的复合物预测通常还会接受以下信息:多条蛋白链或核酸链的序列,配体的SMILES字符串(用文本描述分子结构的一种写法),离子种类,以及可选的同源序列和结构模板。
输出通常包括两部分。第一部分是全原子三维坐标,即每个原子在空间中的位置。第二部分是置信度指标,说明模型对各个区域、各个界面的把握程度。拿到结果后,应当同时查看坐标和置信度。只看模型图形是否好看,无法判断结论是否可靠。
2021年,AlphaFold2在CASP14蛋白质结构预测竞赛中取得显著突破,对大量单链蛋白给出了接近实验精度的折叠结果。单链蛋白的结构预测由此从研究难题变成常规工具。
但生命活动很少由孤立的单链蛋白完成。蛋白质与DNA结合以调控基因表达,与RNA结合参与翻译调控,与小分子配体结合传递信号,与金属离子结合参与催化。药物靶点研究和生命机制研究关注的,正是这些复合物。
传统上,预测蛋白与小分子的结合方式主要依靠分子对接。对接方法基于物理模型和构象采样,打分函数是精度的主要限制。通用深度学习模型在跨分子类型的体系中泛化能力有限,训练数据中某类分子占比较低时,这一问题尤其明显。
2024年,AlphaFold 3等模型把预测对象扩展到蛋白质、DNA、RNA、配体和离子组成的完整体系。原论文在若干配体位姿基准上报告,其结果优于部分传统对接工具。这一结论依赖具体数据集、评价指标和模型版本,不能推广为对传统方法的全面超越。
这一进展主要体现在三个方面:
典型系统通常包含四个模块:
整体流程可以概括为:输入校验,序列检索,多链联合编码,扩散采样,置信度评估。每一步的输出都会影响下一步,因此输入错误会沿流程放大,应先在第一步排除。
理解这项技术可以抓住三个要点。
第一,跨分子类型的统一表征。传统方法分别处理蛋白质、核酸和小分子。新一代系统把氨基酸、核苷酸、配体原子和离子统一表示为图中的节点或标记,化学键和相互作用则表示为边。同一套网络因此能学习不同分子之间的几何与化学规律。
第二,几何约束与等变性。蛋白质骨架的键长、键角和肽键平面性都有明确的物理约束。模型通常采用等变(equivariant)几何模块。设输入结构经过旋转R和平移t,等变函数的输出会以同样方式变换,即f(Rx+t)=Rf(x)+t。坐标输出属于这种情况。不变(invariant)函数的输出则不随这类变换改变,例如某个全局打分。坐标预测需要等变性,整体置信度分数通常是不变的。两者不能混用。
第三,不确定性建模。分子结合是动态过程,同一输入可能对应多种构象。扩散式生成方法可以对同一输入多次采样,得到一组结构。用分布表达不确定性,比给出单一结构更接近实验中观察到的构象多样性。
pLDDT(predicted local distance difference test,预测局部距离差异测试)取值范围为0到100。在AlphaFold2中,它按残基给出,反映该残基局部结构的预测把握。常用的读法如下: