编辑推荐：
为解决 AlphaFold2 预测过程难以理解的问题，研究人员利用 DeepSHAP，结合 OpenFold 和 ColabFold 框架，探究特定氨基酸对蛋白质结构预测的影响。结果表明该方法能增强模型可解释性，为 AI - 蛋白结构预测模型的透明性提供思路。
在生命科学领域，蛋白质结构预测至关重要，它与蛋白质功能研究、生物进化探索以及蛋白质工程紧密相连。以往，确定蛋白质的三维结构往往依赖复杂且耗时的实验方法。随着深度学习技术的崛起，像 AlphaFold2 这样的模型给该领域带来了重大突破，其预测精度能与实验方法相媲美，仅从蛋白质序列就能预测出近乎准确的结构。然而，AlphaFold2 如同一个神秘的 “黑箱”，研究人员难以知晓它究竟是如何做出这些预测的。这种不透明性阻碍了新假设的提出、现有理论的验证，以及基于预测设计新型蛋白质的进程。比如在药物研发中，若无法深入理解蛋白质结构预测的原理，就很难精准地设计出针对特定疾病的药物。因此，打破这个 “黑箱”，让 AlphaFold2 的预测过程变得清晰易懂，成为了科研人员亟待攻克的难题。
在此背景下，来自未知研究机构的研究人员开展了一项意义重大的研究。他们借助可解释人工智能（XAI）技术中的 DeepSHAP，结合 OpenFold 和 ColabFold 框架，对 AlphaFold2 的预测进行深入剖析。研究发现，通过计算 Shapley Additive exPlanations（SHAP）值并与 Deep Learning Important Features（DeepLIFT）相结合，可以确定某些氨基酸在蛋白质结构形成中起着关键作用，这一成果为提升 AlphaFold2 预测的可解释性带来了新希望，也为基于 AI 的蛋白质结构预测模型的透明性提供了宝贵的见解，该研究成果发表在《Expert Systems with Applications》上。
研究人员在此次研究中主要运用了以下关键技术方法：首先是数据处理技术，他们选取了 “Q94KT8” 蛋白序列作为测试案例，从 UniProt 数据库提取序列后，利用 JackHMMER、HHblits 和 Uniclust30 生成多序列比对（MSAs），并整合来自 Protein Data Bank（PDB）的结构模板；其次是核心分析技术 DeepSHAP，其将 SHAP 值与 DeepLIFT 相结合，深入分析特定氨基酸对蛋白质三维结构预测的影响。
数据集相关结果
AlphaFold2 利用来自 UniProt、BFD、MGnify 等的蛋白质序列，以及 JackHMMER、HHblit、Uniclust30 生成的序列比对，还有 Protein Data Bank（PDB）的结构模板等构建数据集进行蛋白质结构预测。通过这些数据，模型能够学习到丰富的信息来做出预测。
数据准备结果
研究人员选择 “Q94KT8” 蛋白序列作为测试案例，从 UniProt 数据库提取序列后，经 JackHMMER、HHblits、Uniclust30 生成多序列比对（MSAs），并整合 PDB 的结构模板。这一系列操作确保了后续分析有合适的数据基础，为利用 DeepSHAP 分析特定氨基酸对蛋白质结构预测的影响做好准备。
实验结果
通过 DeepSHAP 分析，研究人员发现特定氨基酸在蛋白质结构形成中起关键作用。计算 SHAP 值并结合 DeepLIFT，研究人员识别出在 AlphaFold2 预测过程中影响最大的关键氨基酸。这意味着可以从氨基酸层面解析蛋白质结构预测的机制，了解哪些氨基酸对最终的三维结构预测至关重要。
研究结论与讨论
在蛋白质结构预测领域，可解释人工智能（XAI）的应用尚处于探索阶段。本研究利用基于 SHAP 衍生的归因方法，构建了一个全面的框架来解释基于深度学习的蛋白质结构预测。通过将 AlphaFold2 衍生的 OpenFold 和精简的 ColabFold 管道与 DeepSHAP 相结合，成功将模型置信度分数（pLDDT）解构到残基水平。这一成果不仅增强了 AlphaFold2 预测的可解释性，还为理解蛋白质结构形成机制提供了新视角，在蛋白质工程和药物研发等领域具有潜在应用价值。未来，有望基于此进一步优化蛋白质结构预测模型，推动生命科学和健康医学领域的发展，如开发更有效的药物、设计具有特定功能的蛋白质等，从而为攻克更多疑难病症带来新的契机。
