蛋白质结构预测

基于深度学习的蛋白质结构预测方法已经在结构生物学界产生了冲击波。我们预期会产生深远和持久的影响。

AlphaFold发布的蛋白质结构预测将使蛋白质结构模型的数量增加近三个数量级。结构生物学和生物信息学将永远不会相同，对深入的实验方法的需求将比以往任何时候都更大。将这些结构预测的进展与冷冻电子显微镜的最新进展结合起来，为结构生物学提供了一个新的范式。

AlphaFold和RoseTTAFold在解决60年前的蛋白质折叠问题上取得的卓越计算成功提出了一个明显的问题:结构生物学应该探索哪些新的途径?我们提出了一个强大的支点，目的是直接从氨基酸序列读取机制和功能。这一雄心勃勃的目标将需要新的数据分析工具和一个广泛的原子级结构轨迹数据库，以追踪蛋白质执行其功能时的能量分布图。

AlphaFold是一种基于神经网络的方法，可以高精度地预测蛋白质结构。我们描述了它是如何工作的，并讨论了一些对结构生物学领域的预期影响。

AlphaFold的第二个版本在2020年实现了从序列预测蛋白质3D结构的巨大改进，已经对生物学研究产生了巨大的影响，但挑战仍然存在;蛋白质折叠问题不能被认为已经解决。我们期待激烈的竞争能够进一步改进这一方法，以及机器学习的新应用，以帮助阐明蛋白质组及其相互作用。

深度学习已经改变了蛋白质结构建模。在这里，我们将AlphaFold和RoseTTAFold与经典的基于物理的蛋白质结构预测方法联系起来，并讨论了结构生物学的许多领域，这些领域可能会受到深度学习的进一步发展的影响。