《International Journal of Molecular Sciences》：Docking Analysis of Drugs Used in the Treatment of Alzheimer’s Disease, Using Cell Membrane Receptors and Enzymes of the Kynurenine Pathway: A Pilot Study
编辑推荐：
实验性大分子结构是阐明分子机制、指导药物设计和蛋白质工程的基础。然而，蛋白质数据库（PDB）中偶尔会存入不准确的结构模型，这可能混淆结构分析并误导后续研究。尽管已提出整合人工智能（AI）预测模型来改进实验测定的结构，但AI引导重建对功能解读的影响仍 large
实验性大分子结构是阐明分子机制、指导药物设计和蛋白质工程的基础。然而，蛋白质数据库（PDB）中偶尔会存入不准确的结构模型，这可能混淆结构分析并误导后续研究。尽管已提出整合人工智能（AI）预测模型来改进实验测定的结构，但AI引导重建对功能解读的影响仍 largely 未被表征。本研究分析了δ-氨基乙酰丙酸脱水酶（ALAD）的AI预测模型，并利用AlphaFold3（AF3）模型作为模板重建了其原始晶体结构中一个被误读的区域。通过采用AF3主链构象，纠正了Cys122至Leu142之间建模错误的区域。与实验结构相比，这一重建降低了Rfree值并改善了结构几何学。值得注意的是，最初存入的ALAD结构呈现一种非活性构象，其特征为底物结合的A位点被破坏。相反，AI重建的ALAD模型恢复了具有生物学相关性的活性位点构象，其特征为由Cys122、Cys124和Cys132介导的协调锌离子结合口袋，以及A位点完整的底物结合配置。这些结果证明了AI预测模型引导重建在当前ALAD案例中的可行性，并可能为未来评估该方法对其他蛋白质系统适用性的研究提供基础。
**论文解读：基于人工智能预测模型引导的δ-氨基乙酰丙酸脱水酶结构重建研究**
**研究背景与问题**
实验测定的蛋白质大分子结构是理解分子机制、指导药物设计及蛋白质工程的核心资源。蛋白质数据库（PDB）中存储的这类结构，为配体结合、蛋白质-蛋白质相互作用及催化反应等分子特性提供了宝贵信息。然而，由于低分辨率数据、辐射损伤、高柔性区域导致的电子密度图模糊或解释歧义，以及建模人员专业水平的差异，PDB中经常出现不准确的结构模型。这些错误建模可能导致对分子功能的错误解读，并误导后续的结构生物学研究。尽管有研究提出利用人工智能（AI）预测模型（如AlphaFold2、AlphaFold3、ESMFold、RoseTTAFold）来改善实验结构，但AI引导重建对结构准确性及后续生物学功能解读的具体影响尚缺乏系统评估。特别是，AI预测模型能否纠正活性位点区域的建模错误，并恢复具有生物学相关性的构象，仍不清楚。
**研究目的与意义**
本研究旨在系统评估AI预测模型引导的结构重建在修正δ-氨基乙酰丙酸脱水酶（ALAD）实验结构中的可行性，并阐明重建后的结构是否能够恢复其生物学功能状态。该研究发表在《International Journal of Molecular Sciences》。论文以小鼠（Mus musculus）ALAD的晶体结构（PDB ID: 2Z1B）为对象，验证了AI模型可作为模板纠正实验结构中广泛存在的建模错误，尤其是活性位点区域，从而为后续蛋白质功能研究提供更可靠的结构模型。
**关键技术方法**
研究人员从UniProtKB数据库获取小鼠ALAD氨基酸序列（P10518），分别利用AlphaFold3（AF3）、ESMFold、AlphaFold2（AF2）及RoseTTAFold（RF）生成AI预测模型。通过评估预测局部距离差异检验（pLDDT）分数或预测?ngstr?m误差估计，比较各模型的结构质量与置信度。将AF3预测模型叠加到实验ALAD结构（2Z1B）上，用COOT程序替换Cys122-Leu142区域错误建模的坐标，并结合2F
o-F
c和F
o-F
c电子密度图进行手动调整和真实空间精修。最终使用PHENIX软件套件中的phenix.refine进行结构精修，并通过MolProbity验证几何学质量。同源序列比对使用BLAST和Clustal Omega，结构比对使用PyMOL。
**研究结果**
* **2.1. 重新审视ALAD结构**：通过检查电子密度图，发现初始实验ALAD结构（EXP-ALAD）中链B的Glu137至Leu142区域缺失四个残基，且Cα-Cα距离（约5.0 ?）不足以容纳这些残基，提示主链迹线错误。该区域（Cys122至Leu142）在PDB中可能被错误建模。
* **2.2. AI预测模型的制备**：对ESM、AF2、AF3和RF生成的ALAD模型进行评估。AF2、AF3和ESM模型的pLDDT值较高，置信度良好；RF模型的预测?ngstr?m误差估计在五个模型间变异较大。所有AI预测模型在重建区域（Cys122-Leu142）均表现出最低置信度。结构叠加显示，尽管N端存在差异，但重建区域的主链位置高度一致；侧链构象在ESM、AF2、AF3模型中保守，而RF模型预测了Cys122、Cys124、Cys132之间的二硫键（距离2.0-2.1 ?），与其他模型（距离>2.8 ?）不同。
* **2.3. 使用AF3结构重建ALAD结构**：选择AF3模型作为模板重建EXP-ALAD（链B），获得RE-ALAD。精修过程中，在Cys122、Cys124、Cys132的巯基附近观察到正F
o-F
c电子密度峰（>5σ），提示可能存在重金属离子。通过序列比对，发现这三个半胱氨酸在ALAD同源物中高度保守，且与人ALAD（HsALAD）中锌离子配位位点（Cys132、C134、C142）位置保守。在RE-ALAD中加入锌离子精修后，正电子密度峰消失，表明锌离子确实与这三个半胱氨酸配位。与EXP-ALAD相比，RE-ALAD的R
work和R
free值显著降低（0.2270/0.3098 vs 0.2275/0.3128，经现代精修程序重新精修后的EXP-ALAD），且Ramachandran图显示重建区域所有残基均位于最允许区（EXP-ALAD仅28.6%），几何学质量大幅改善。对不对称单元中四个分子均进行重建后，R
work/R
free降至0.2122/0.2749，平均RSCC值从0.731提升至0.901。
* **2.4. RE-ALAD与EXP-ALAD重建区域的结构比较**：结构叠加显示，EXP-ALAD中锌配位半胱氨酸Cys124和Cys132的硫原子分别偏离8.7和12.9 ?，导致锌离子结合位点被破坏；而RE-ALAD成功恢复了由Cys122、Cys124、Cys132介导的锌离子配位构型。归一化B因子分析显示，EXP-ALAD中错误建模区域B因子峰值高达2.06，而RE-ALAD降至1.59。与人类ALAD与卟胆原复合物结构（PDB ID: 1E51）比对表明，RE-ALAD的A位点（底物结合位点）和锌离子配位位点与功能状态高度一致，可容纳δ-氨基乙酰丙酸（δ-ALA）结合；而EXP-ALAD中A位点结构紊乱，无法支持底物结合。
**讨论与结论**
讨论部分指出，PDB中准确的结构坐标对于功能分析、药物设计和蛋白质工程至关重要。以往的AI预测模型（如AF2）虽能纠正ALAD的主链错误，但未评估其对结构质量和功能解读的影响。本研究通过比较多种AI模型，发现AF2、AF3、ESM模型能正确预测活性位点三个半胱氨酸的锌配位侧链构象，而RF模型错误预测了二硫键，表明不同AI工具预测精度存在差异。AI预测模型并非简单复制PDB中已有的错误结构，而是基于广泛学习的结构特征推断出合理的功能构象。EXP-ALAD与RE-ALAD的结构差异直接导致对ALAD功能的不同解读：前者呈现非活性构象，可能误导认为锌离子结合位点可呈现多种构象；后者则明确展示了与催化锌离子配位的保守构象，为后续小鼠ALAD生物学研究提供了可靠模型。研究也指出，AI预测模型存在局限性，如无法准确预测翻译后修饰、环境诱导的结构变化（如pH、光照依赖的构象变化），且为静态结构，不能完全捕捉构象柔性。然而，在ALAD案例中，即使存在同源结构，AI模型仍能提供有效模板。未来需要更多蛋白质系统的研究来确定该方法是否可普遍应用于PDB中具有建模错误或模糊电子密度的结构。
**结论翻译**：本研究表明，利用AI预测模型作为重建模板，可以从错误建模的实验结构中准确重建具有生物学相关性的ALAD结构。这一发现为当前ALAD案例中AI预测模型引导的重建提供了概念验证，但需要进一步研究来确定该方法是否适用于其他蛋白质系统。
