跳到正文
bioRxiv 生物信息学· Schnapka, V., Portal, N., Bonomi, M. ·· 8 天前精选AI 评分61

预印本:bAIes 借助六种 AI 结构预测器生成天然无序蛋白的原子分辨率构象系综

Leveraging state-of-the-art AI structure predictors to generate atomic resolution ensembles of intrinsically disordered proteins

AI 导读

预印本报告,作者把基于 AlphaFold2 distogram 的 bAIes 框架扩展到 AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2 六种结构预测器,并系统比较各预测器编码的残基间距离分布。

AI 深度导读基于原文整理的分节解读
背景
内在无序蛋白(IDP)参与许多生物过程,其功能取决于动态的构象集合,而不是单一结构。人工智能在蛋白质结构预测上已有影响,但在原子分辨率上确定这类构象集合仍有难度。作者此前提出 bAIes 框架,利用 AlphaFold2 distogram 中编码的结构信息生成 IDP 的原子分辨率构象集合。
做法
这项工作中,作者把 bAIes 框架扩展到六种结构预测工具:AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2,并系统比较这些工具预测的残基间距离分布中所编码的结构信息。评价做法是把 bAIes 基于各预测器生成的集合,与实验 NMR 和 SAXS 数据比对,并与当前的全原子模拟和其他 IDP 集合生成方法比较表现。
结论
不同预测器之间存在差异,但 bAIes 生成的集合在对照实验 NMR 与 SAXS 数据时准确度相当,相对全原子模拟和其他 IDP 集合生成方法也具竞争力。结果表明 bAIes 对结构预测器的选择具有稳健性,不同深度学习架构给出的距离分布包含关于无序蛋白构象偏好的有用信息。
意义
结果指向一条路径:把 AI 导出的结构信息与基于物理的建模结合,用来生成内在无序蛋白及无序区域的原子分辨率集合。对需要 IDP 构象集合而非单一结构的研究场景,这一组合提供了可替换预测器而不显著改变精度的方案。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

把 bAIes 扩展到六种结构预测器后,天然无序蛋白系综的精度对预测器选择不敏感,便于评估该流程能否直接用在自带数据上。

来源:bioRxiv 生物信息学 · biorxiv.org