综述：人工智能在计算蛋白质研究中的优势及未来挑战：单一结构已不够用

《Journal of Molecular Biology》：The Advantages of AI for Computational Protein Studies and Looking Ahead at the Next Challenges: Single Structures Are Not Enough

　　摘要：结构预测领域的重大突破以及大型蛋白质语言模型的出现，极大提升了我们理解蛋白质及其行为的能力。深度学习与人工智能正在以惊人的速度影响着蛋白质计算研究，未来这些技术应用还将带来更多快速进展的可能。通过本文提出的方法开展研究，有望在多个方面取得显著成果。确定并预测蛋白质结构中的配体结合位点，以及预测蛋白质与其他蛋白质相互作用时的可靠结构，对于全面了解其结构机制与动态特性至关重要。多状态蛋白质集合的预测、构象转变分析、大型蛋白质复合物的动力学研究，以及与实验数据的整合，都有望迅速实现。

引言：2020年末是生物学与计算机科学领域的转折点，AlphaFold1和AlphaFold2成功预测了大多数蛋白质结构，在CASP竞赛中的表现远超其他方法。约翰·莫尔特称：“这是人工智能首次解决一个重大的科学问题。”由于这一开创性成就，AlphaFold的开发者德米斯·哈萨比斯和约翰·朱珀，以及RosettaFold的开发者大卫·贝克，共同获得了2024年诺贝尔化学奖。大型语言模型，包括GPT、Gemini和Claude系列，极大地提升了我们理解人类语言的能力。这类模型能够处理海量文本，从中挖掘出远远超出个人理解能力的模式与深层结构。与书面语言类似，蛋白质序列也可被视为一种“语言”，而大量蛋白质序列已被大型语言模型处理，它们展现出惊人的能力，能够解析蛋白质序列之间的复杂模式与关联，预测三维结构，生成多序列比对结果，并识别同源序列。大型语言模型的概念可追溯到更早的隐马尔可夫模型，该模型曾被用于描述蛋白质家族的序列特征；此外，UniRep中也运用了长短期记忆嵌入技术。与AlphaFold几乎同时，Meta公司的一个团队利用大量蛋白质序列生成了嵌入向量，这些嵌入向量能为任意序列提供数值表示，其应用范围远不止结构预测。例如，通过比较嵌入向量的差异，即可量化两个序列之间的相似程度。ESM嵌入模型已处理过大量序列数据——ESM2处理了6.11亿条序列，ESM-3则处理了40亿条，其中包括宏基因组序列。一些初步对比表明，使用这两组嵌入向量得到的结果差异不大，这可能是因为宏基因组包含了来自不同生物体的短读长序列，导致部分完整序列信息丢失。这些嵌入向量为蛋白质科学中的诸多计算问题提供了宝贵数据。通常，将其纳入机器学习流程中使用效果较好，即利用蛋白质数据训练集来调整数据权重，或筛选出最有助于训练和验证的数据部分。这种方法可用于解决蛋白质研究中的各种计算问题，但需注意，此类结果还需经过独立验证。尽管已有诸多成果，仍有许多问题有待解决，必须借助新方法加以应对。目前，一些利用人工智能和语言模型的新方法正在快速推进某些尚未解决的问题。本文旨在阐述近期进展，并指出蛋白质研究领域中仍需解决的最重要计算难题。

这些模型还被用于通过ESMFold预测蛋白质结构，但更重要的是，它们还可以被反向使用，生成类似的序列（见表1中的示例），而非仅从序列预测蛋白质结构。由于大多数大型语言模型已处理过海量序列，因此它们在序列与结构之间建立了极为重要的联系。还需注意的是，有一些大型语言模型既处理过序列也处理过结构，这类模型同样是极其有用的资源。原则上，任何先前基于蛋白质的计算研究，若能结合这些模型重复进行，都有可能获得比以往更好的结果。例如，可以利用它们来识别远缘同源序列。对结构进行粗粒化处理对于简化复杂系统十分重要，可通过将众多原子归并为单个节点来降低自由度，从而无需考虑原子级细节即可高效模拟大规模系统。如今已有诸多案例表明，粗粒化技术可广泛应用于不同的空间和时间尺度。在每个氨基酸对应1个几何点的水平上对结构进行粗粒化，仍是蛋白质结构表示的金标准，因为它能自然建立序列与结构之间的直接联系。虽然AlphaFold能够以晶体学精度模拟蛋白质和核酸的三维结构，但它尚未能模拟它们的动态行为，也无法模拟无序蛋白质和RNA的结构，而这些结构对于理解细胞功能至关重要。因此，仍有必要借助更为传统的分子建模方法，在原子级精度上构建大型蛋白质复合物的结构、动态特性及功能表现，而这目前仍难以实现。总体而言，人工智能为分子计算领域带来了诸多新机遇。当前，蛋白质研究正处于一个关键转折点：虽然已有数百万种可靠的蛋白质结构被预测出来，但我们往往还不清楚该如何进一步深入研究。具体而言，空间（细胞定位）和细胞语言模型方面的研究为新型预测提供了新的动力，这些研究往往基于单细胞数据，而空间转录组学、蛋白质组学和质谱技术则能为生理和病理状态下的蛋白质表达、定位、相互作用及激活机制提供丰富信息。人工智能已在这些领域展开应用，这凸显出在预测分子间相互作用和细胞定位方面需要进一步提升。本文将重点指出那些仍需解决的关键挑战，以弥合已预测的单一蛋白质结构与蛋白质科学更广泛需求之间的差距。

节选内容：
生成替代构象的示例：小G蛋白Arf6存在两种不同的晶体结构：pdb:1E0S和pdb:2J5X，后者是与GTPγS结合的形式。这两种结构的序列相同，对应的UniProt编号也为P62330（人类）。不过，这两种实验获得的结构具有略有不同的构象。图1的A部分展示了这两种结构的叠加情况，同时还将ESMFold生成的各类结构与这两种晶体结构进行了比较，结果表明未结合状态的蛋白质具有较为连贯的结构。

将预测结构与实验数据相结合：近期已有多种方法被提出，用于将AlphaFold的预测结果与实验数据相结合，这一策略也有助于发现蛋白质的其它构象状态。蒙泰利奥内及其团队最近提出了AF-NMR这一计算-实验框架，该框架通过随机采样生成AlphaFold模型，再与实验得到的NOESY数据进行对比评估。将该方法应用于高斯荧光素酶后，发现了两种处于动态平衡中的互变构象状态。

如何使用大型语言模型嵌入向量：这些嵌入向量能为任意给定的序列提供数值表示，通过比较嵌入向量之间的差异，便可找到最相似的序列对，从而识别出最可能的同源序列。如果直接将大型语言模型生成的原始嵌入向量用于特定用途，往往会产生大量误判。最佳使用方式是通过微调或筛选出表现最佳的嵌入向量来进行后续处理。无论采用何种方式，对研究结果进行验证都至关重要。

发现新的蛋白质同源序列：识别新的蛋白质同源序列具有重要意义，因为通过将已知蛋白质的功能转移到新发现的同源序列上，即可确定其功能。此外，还可以通过人工智能技术，通过对大型语言模型进行微调或筛选数据，来寻找新的同源序列。AlphaFold预测的蛋白质结构，无论是整体还是局部，都被用来验证蛋白质同源序列之间的关联关系。另外值得注意的是，当两种……

模拟无序蛋白质的挑战：尽管AlphaFold推动了结构预测领域的人工智能革命，但对于完全或部分无序状态的蛋白质，我们对其的理解仍显不足。这一领域亟待深入研究，因为蛋白质的无序区域往往是分子间相互作用的场所。值得注意的是，许多预测得到的蛋白质结构都包含外部无序区域（见图3）。蛋白质的无序片段通常在蛋白质结合过程中起着重要作用，还能参与熵调控机制。

模拟蛋白质集合与动态特性：AlphaFold及深度学习方法彻底改变了蛋白质结构预测的格局，为许多蛋白质提供了可靠的3D结构模型。然而，要获得有用的蛋白质表征，通常需要包含多种状态的“动态”集合，这样才能反映蛋白质功能所必需的构象变化。不断发展的基于人工智能的采样方法，为模拟蛋白质所呈现的不同构象状态带来了希望。这些方法会在经过筛选的输入数据基础上，利用传统的AlphaFold2/3平台来模拟构象转变路径及构象变化。近期也有一些尝试，试图利用深度学习来模拟蛋白质在不同终态之间的构象变化及转变路径。虽然这些方法能够生成多种不同的3D构象组合，但仍有若干根本性问题尚未解决：当深度学习预测的构象与现有实验结构存在较大差异时，我们能否信任这些预测结果？又该如何对预测出的构象进行排序，并将其转化为序列形式？目前，这些问题尚无明确的答案。

预测RNA结构：人工智能，尤其是深度学习与大型语言模型，显著推动了RNA二级结构（2D）和三级结构（3D）的预测进展。尽管取得了显著进步，但由于实验上确定的RNA 3D结构数量相对较少，且RNA分子具有高度动态性，能够呈现多种功能性构象，因此利用人工智能预测RNA结构仍然比预测蛋白质结构更具挑战性。

作者贡献说明：
普拉迪普·Bk：撰写——审阅与编辑。陈世杰：撰写——审阅与编辑、撰写——初稿、概念构思。鲁克桑德拉·迪马：撰写——审阅与编辑、撰写——初稿、可视化、概念构思。穆巴舍尔·哈桑：撰写——审阅与编辑、概念构思。安杰伊·约阿希米亚克：撰写——审阅与编辑、撰写——初稿、概念构思。基原大辅：撰写——审阅与编辑、撰写——初稿、概念构思。安杰伊·克洛茨科夫斯基：……

未引用参考文献：61, 91。

利益冲突声明：作者声明不存在利益冲突。

致谢：本文的撰写源于2025年夏季举办的第九届特柳赖德生物大分子结构与动力学粗粒化建模研讨会。这是一次年度学术会议。我们感谢W.邓在制作图1过程中提供的帮助。RLJ得到了美国国立卫生研究院的R01HG012117和R01GM157600项目资助，SJC获得了美国国立卫生研究院的2R35-GM134919、U54-AI170660项目资助，以及美国国家科学基金会的CHE-2154924项目资助；RD获得了美国国家科学基金会的MCB-2527485项目资助；AK获得了美国国立卫生研究院的R01HG012117项目资助；AJ获得了美国国立卫生研究院的75N93022C00035合同资助以及美国能源部的合同资助。

作者名单：普拉迪普·Bk | 陈世杰 | 鲁克桑德拉·迪马 | 穆巴舍尔·哈桑 | 安杰伊·约阿希米亚克 | 基原大辅 | 安杰伊·克洛茨科夫斯基 | 杰弗里·劳 | 亚当·利沃 | 雅雷克·梅勒 | 克里斯坦·米凯莱蒂 | 大卫·米诺尔 | 加埃塔诺·T·蒙泰利奥内 | 萨洛姆·拉克夫斯基 | 多梅尼科·斯卡拉莫齐诺 | 森田美树 | 森田敏也 | 杰弗里·斯科尔尼克 | 乔治·斯坦 | 伊利亚·瓦克塞尔 | 罗伯特·L·杰尼根

爱荷华州立大学