《Quantitative Biology》：Predicting the alternative conformation of a known protein structure based on the distogram of AlphaFold2
编辑推荐：
AlphaFold2（AF2）已成为最成熟且领先的蛋白质结构预测工具之一，但其默认模式通常偏向于输出单一构象。已有研究表明，通过对多序列比对（MSA）进行操控可采样不同构象，但在标准AF2预测中利用内嵌多状态信息的潜力仍未被充分挖掘。研究人员发现，在使用深层M
AlphaFold2（AF2）已成为最成熟且领先的蛋白质结构预测工具之一，但其默认模式通常偏向于输出单一构象。已有研究表明，通过对多序列比对（MSA）进行操控可采样不同构象，但在标准AF2预测中利用内嵌多状态信息的潜力仍未被充分挖掘。研究人员发现，在使用深层MSA且不进行循环更新（recycling）时，AF2预测残基-残基距离分布（distogram）在更新前常呈现多个概率峰，暗示替代状态的存在。研究人员通过对这些多峰分布进行拟合与分离，推导出状态特异性距离约束（restraints），将其作为能量项整合入Rosetta中，以建模大规模构象转变。在涵盖铰链弯曲、结构域旋转、局部重排及复杂多结构域重排的多个两态蛋白体系中，该方法能从已知输入构象出发有效采样替代构象，所得模型与现有方法相当。该工作揭示了AF2预测中此前未被充分利用的特征，为利用深度学习输出研究蛋白质结构柔性与动力学提供了新策略，拓展了AF2在结构生物学与多状态蛋白系统建模中的适用性。
研究背景方面，蛋白质功能依赖于多种构象状态，而以AlphaFold2（AF2）为代表的共进化深度学习模型默认倾向于预测单一最概率结构，难以直接给出apo-holo、向内-向外开放等多态构象集合；传统分子动力学成本高，MSA亚采样策略又会损失深层共进化信息保真度。研究人员据此提出核心问题：标准AF2预测内部是否隐藏可解码的替代构象信号，以及如何在不浅化MSA的前提下把它转化为物理可采样约束。
研究人员以20个已知双态蛋白为对象，使用ColabFold v1.5.2在深层MSA、num_recycles=0、无模板条件下输出5个模型及其distogram（距离直方图，64个距离bin，2–22 ?加超远bin）。分析发现rank005低置信模型反而保留更多多峰替代信号。研究人员将多峰分布用双变量高斯拟合，剔除已知态对应峰，重标定剩余概率，构建alt-distogram（替代距离直方图），再转为Rosetta距离约束能量项，经初始化、能量最小化与全原子精修采样150个模型。结果显示：C1→C2最佳打分成功17/20，C2→C1成功14/20；在OC23与TP16基准上，AFzero加Rosetta建模组合达到与AFsample相当精度。结论意义在于证明AF2距离空间本身编码结构异质性，该方法与MSA亚采样正交、可互补，为多态蛋白假设检验提供轻量工具。
主要关键技术方法概括：其一，AF2零循环推理与distogram提取，保留Evoformer原始对表示；其二，多峰概率分布检测与双变量高斯拟合，区分替代信号与共有信号；其三，基于熵与信号密度的缩放参数λ设计，将alt-distogram转为Rosetta距离约束势能；其四，PyRosetta三阶段采样（centroid初始化、minimization、full-atom refinement）；样本来自文献库20个双态蛋白及AFsample2的OC23（23个开放-闭合态）、TP16（16个转运蛋白）数据集。
研究结果部分保留小标题叙述如下。
2.1 AF2预测在完整MSA下包含替代构象信息：研究人员对比20个双态蛋白五模型发现，不回收时rank005 distogram多峰精度与丰度最优，说明低秩模型藏有被高秩折叠掉的多态线索。
2.2 基于已知结构与AF2距离直方图的替代构象信息提取：将分布分为六类多峰与单峰异常，平均替代信号精度0.73，AK、LBP等系统达0.85以上，可定位驱动构象差异的关键残基对。
2.3 用Rosetta建模替代构象：2.3.1将alt-distogram转为能量约束，削平初始态能垒并朝替代距离倾斜，按熵给替代信号加权；2.3.2评估显示双向预测TM-score均值0.86与0.80，铰链类可达0.98，对照组（全图约束、等权）偏回初态，印证信号筛选必要。
2.4 距离直方图引导建模进一步精炼AF2预测：在OC23/TP16上，AFzero+RosettaModel用755模型媲美AFsample千模结果，O76728开放态TM从0.84升至0.96；但MFSD2A_OUT无信号、少数长距假阳性致退化。
讨论部分总结：研究人员指出该法与MSA亚采样互补，不牺牲深层共进化保真；限制来自AF2模糊中间态与远端假峰，对螺旋重排难例（ASCT2、S100A1）偏弱，且当前仅覆盖两态系统。未来可结合MD增强采样、生成式模型与更优decoy排序，并拓展至仅单态PDB蛋白的隐藏多态探测。
结论部分翻译：综上，本研究在不浅化MSA前提下，揭示了AF2预测中隐藏的多态结构信息，并建立将深度学习所得替代构象信号注入物理建模的框架。该协议在多种尺度与构象类型上有效，可作为从给定序列快速探究蛋白可能替代构象的假设生成工具，与现有AF2基MSA亚采样方法正交互补，利于结合实验技术揭示多状态蛋白动态与功能。
解读初稿已完成，接下来可以选择一个方向继续深化：
