AlphaFold-Metainference方法：基于深度学习的无序蛋白质结构集合预测新策略

本研究针对深度学习方法在预测无序蛋白质结构集合中的挑战，开发了AlphaFold-Metainference方法，通过将AlphaFold预测的距离作为分子动力学模拟的结构约束，成功构建了有序和无序蛋白质的结构集合。研究验证了该方法在11种高度无序蛋白质和6种部分无序蛋白质（包括与ALS相关的TDP-43等疾病相关蛋白）中的准确性，为利用深度学习方法研究蛋白质动态特性提供了新思路，相关成果发表于《Nature Communications》。

　　

在生命科学领域，蛋白质结构预测一直是极具挑战性的课题。随着AlphaFold等深度学习方法的突破，有序蛋白质的结构预测已达到实验精度水平，但无序蛋白质（IDPs）因其动态特性需要以结构集合形式表征，这成为当前研究的瓶颈。无序蛋白质在神经退行性疾病中扮演关键角色，如与肌萎缩侧索硬化症（ALS）相关的TDP-43蛋白、马查多-约瑟夫病相关的ataxin-3蛋白等，准确预测其结构集合对理解疾病机制至关重要。

英国剑桥大学的研究团队在《Nature Communications》发表研究，开发了AlphaFold-Metainference方法，创新性地将AlphaFold预测的距离信息作为分子动力学模拟的约束条件。该方法通过整合深度学习与物理模拟的优势，成功预测了从完全无序到部分无序蛋白质的结构集合，为蛋白质动态研究开辟了新途径。

研究主要采用三项关键技术：1）基于AlphaFold的残基间距离预测（distogram）；2）元推断（metainference）框架下的分子动力学模拟，整合预测距离作为约束；3）小角X射线散射（SAXS）和核磁共振（NMR）数据验证。使用CALVADOS-2粗粒化模型提高采样效率，并通过PULCHRA重建全原子模型。

AlphaFold预测准确的残基间距离

研究发现AlphaFold能预测无序蛋白质的平均残基间距离，与SAXS实验数据高度一致（Kullback-Leibler距离D_KL范围0.008-0.096）。对比分子动力学模拟生成的Aβ和α-synuclein结构集合，预测距离与模拟距离分布相关性良好，但限于22?以内。

高度无序结构集合的SAXS验证

对11种高度无序蛋白（如α-synuclein、tau等）的分析显示，AlphaFold-Metainference生成的结构集合其距离分布与SAXS数据吻合度（平均D_KL=0.032）显著优于单独AlphaFold结构（D_KL=0.582）。

部分无序结构集合的验证

在TDP-43、ataxin-3等含有序/无序混合区域的蛋白质中，该方法成功预测了折叠域（pLDDT>90）与无序区域（pLDDT<50）的协同构象。

与CALVADOS-2相比，AlphaFold-Metainference在4/6案例中表现更优，尤其在短程约束方面。

该研究证实，尽管AlphaFold训练集未包含无序蛋白质，但其预测的距离信息能有效反映无序蛋白质的物理相互作用特征。通过元推断框架整合预测与实验数据，首次实现了从单一序列同时预测有序和无序区域的结构集合。这一突破不仅扩展了深度学习在结构生物学中的应用边界，更为研究神经退行性疾病中蛋白质异常聚集机制提供了新工具。未来结合冷冻电镜（cryo-EM）等实验数据，有望进一步揭示蛋白质动态与疾病的关系。