◎記者 王 春
谷歌DeepMind團隊研發的阿爾法折疊2（AlphaFold2）使用最新的人工智能算法對蛋白質結構實現了接近實驗精度的精准預測。復旦大學復雜體系多尺度研究院教授馬劍鵬團隊與上海人工智能實驗室合作，近日在國際知名刊物《生物信息學簡報》上發表論文，顯示其蛋白質側鏈預測算法（OPUS-Rota4算法）精度顯著超越了谷歌團隊的阿爾法折疊算法。
在目前阿爾法折疊算法开源的情況下，復旦團隊的算法可以爲任何蛋白質結構預測工作提供比阿爾法折疊更准確的側鏈模型，從而爲蛋白質結構研究，尤其是基於蛋白質結構的新藥設計工作提供了助力。
蛋白質三維結構由主鏈和側鏈共同搭建而成，人工智能系統預測蛋白質結構的通常步驟，是先爲蛋白質主鏈建模，再根據主鏈的構象爲側鏈建模。自然界中的蛋白質含有20種氨基酸，它們的主鏈幾乎完全相同，而側鏈差異很大。由於藥物分子與人體蛋白質結合的位點絕大多數在氨基酸側鏈上，因此人工智能系統對側鏈的精准預測對新藥研發具有重要價值。這種精准預測能力還可用於解釋基因點突變、基因小片段突變的機制，爲遺傳性疾病研究和治療提供寶貴思路。
近年來的研究中，研究人員开發的側鏈建模算法大多基於抽樣，如SCWRL4、OPUS-Rota3等。其從離散的側鏈二面角轉子庫中進行抽樣，隨後根據一系列能量函數進行優化，找到能夠讓能量最低的二面角轉子即爲最終結果。基於抽樣的側鏈建模算法的優點是速度較快，但由於使用離散的轉子並受限於能量函數的准確性，其整體側鏈預測精度仍然有待提高。
OPUS-Rota4引入深度學習算法，使得蛋白質側鏈建模精度得到了大幅提升。研究人員首先使用OPUS-RotaNN2結合多種不同的提取特徵得到初始的側鏈二面角預測結果，之後使用OPUS-RotaCM得到側鏈原子接觸圖，最後使用其自主研發的建模框架OPUS-Fold2根據接觸圖對初始側鏈二面角預測結果進行優化並輸出最終結果。
團隊研究人員表示，將會對蛋白質側鏈建模進行進一步研究，以期繼續提升准確率，並將對側鏈建模在實際問題中的應用進行探索。
標題：提高蛋白質側鏈預測精度新算法助力藥物研發
地址：https://www.wellnewss.com/post/18772.html
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。
