AlphaFold在蛋白质侧链构象预测中的突破、局限与协同突变应用探索

来自研究人员的最新研究聚焦AlphaFold在蛋白质侧链构象预测中的能力，通过评估ColabFold和AlphaFold3对折叠蛋白质中氨基酸残基侧链（χ1和χ3二面角）的预测精度，发现误差率分别为～14%和～48%，且非极性侧链误差较小。该研究整合Potts模型与AlphaFold，为突变协同性与结构适应性关系提供了新工具，推动分子建模领域发展。

　　

AlphaFold彻底改变了仅从氨基酸序列（amino-acid sequence）准确生成三维蛋白质结构（3D structures）的能力。然而，分子建模（molecular modeling）领域仍存在一个关键问题：AlphaFold能否预测折叠蛋白质（folded protein）内部单个氨基酸残基（amino-acid residue）侧链（side chains）的构象（conformations）？本研究评估了ColabFold（AlphaFold2的在线实现）和AlphaFold3在预测折叠蛋白质侧链构象方面的表现。基于AlphaFold蛋白质结构数据库（AlphaFold protein structure database）中10种代表高丰度折叠家族（fold families）的基准蛋白质（set A），ColabFold对χ₁二面角（χ₁ dihedral angles）的预测误差约为14%，而对χ₃二面角（χ₃ dihedral angles）的误差升至48%。非极性侧链（non-polar side chains）的预测误差较小，且使用结构模板（structural templates）后略有改善。ColabFold表现出对蛋白质数据库（protein data bank）中最常见旋转异构体状态（rotamer states）的偏好，这可能限制其有效捕捉稀有侧链构象的能力。此外，针对10个未参与AlphaFold2训练的新发布蛋白质结构，ColabFold的预测精度与set A几乎一致。AlphaFold3的侧链预测精度略优于ColabFold。作为应用案例，研究结合基于序列的Potts能量模型（Potts sequence-based statistical energy model）对ABL1和PIM1激酶（kinase）进行大规模突变扫描（mutational scans），以寻找强协同突变对（cooperative mutational pairs），并利用ColabFold预测这些协同性对相互作用侧链的结构特征（structural signatures）。结果表明，将Potts模型与AlphaFold整合为单一流程（pipeline），为探索蛋白质突变（protein mutations）、协同结构变化（cooperative changes in structure）及适应性（fitness）之间的内在关系提供了新工具。