榕树集AlphaFold更新详解

前言首先，AlphaFold在单体蛋白质预测领域取得了突破性的进展。接着，AlphaFold-Multimer将这一技术扩展到了蛋白质复合物的预测。现在，AlphaFold再次更新，推出了被称为AlphaFold-latest的新版本。

AF模型的更新主要集中在以下两个方面：

在准确度上取得了显著提升：最新版本的模型能够实现原子级别的预测，涵盖了所有的PDB结构。预测范围的扩大：AF对多种关键生物分子的理解有了新的进展，包括小分子配体、蛋白质、核酸（DNA和RNA）以及翻译后修饰（PTMs）的分子。这意味着AF不仅限于预测蛋白质本身，还可以用于预测其他生物分子复合物。AlphaFold-latest的结构预测与实验结构的比较：蛋白质链以蓝色显示（抗体以绿色显示），橙色表示预测的配体和糖，粉色表示预测的DNA，紫色表示预测的RNA，灰色表示实际结构。

a. RNA聚合酶QDE-1与RNA引物和非水解核苷酸AMPNPP结合（PDB ID 7Y7S，LDDT：87.9）。

b. 人类冠状病毒OC43刺突蛋白，4665个残基，糖基化并与中和抗体结合（PDB ID 7PNM，LDDT：83.3）。

c. 细菌CRP/FNR家族转录调节蛋白与DNA和cGMP结合（PDB ID 7PZB，LDDT：82.4）。

d. CRISPR-Casλ蛋白与CRISPR-RNA和DNA复合物（PDB ID 8DC2，LDDT：76.7）。

一些性能测试数据从四个方向展示了AF-latest的表现：

蛋白质-小分子复合物预测：在PoseBusters基准测试集中，AlphaFold-latest的表现超过了AutoDock Vina等传统对接模型。尽管基准数据集提供了实际的蛋白复合物三维结构信息，AF-latest的出发点却是从一维序列开始。蛋白质-蛋白质结构预测方面：AF-latest在某些类别中，如抗体结合结构，表现出显著提升。蛋白质-核酸复合物预测方面：AlphaFold-latest优于竞争系统，但在RNA结构预测方面，略逊于使用专家手动调优干预的CAS15 Top（AIchemy_RNA2）。AlphaFold-latest能够预测一些额外的实体类型，如化合配体、糖基化和修饰过的残基或核苷酸。模型输入和输出AlphaFold-latest接受生物组装的描述作为输入，包括序列和配体的SMILES，以及共价配体的序列位置（可选），并输出每个重原子的3D位置预测。水分子和氢原子不包括在内。用于训练模型的实验结构均来自PDB。

输入被“tokenized”以获取模型输入，每个氨基酸残基使用一个token表示，配体和非标准氨基酸残基的每个重原子采用一个token表示。token数量是影响计算时间的主要因素，当然也是在不同硬件上预测复合物大小的主要因素。为了计算方便，系统最多评估过带有5120个标记的复合物的性能。当然，如果你的硬件内存足够大，也可以预测更大的复合物。

与DiffDock这一个机器学习方法相比，AlphaFold-latest在PoseBusters测试结果中表现出极大的优势。

LigandAF-latest的优势主要体现在以下几个方面：

成功率高（RMSD < 2Å）。总的来看，基于传统算法的分子对接程序可能会逐渐进入一个沉寂期。AF-latest使用的是预测方法，而不是对接。共价，离子，诱导契合，膜蛋白等需要构建特殊力场/函数/算法的领域，将迎来AF以及相关AI模型的冲击。

然而，截至目前，我在Google上尚未找到此版本的更新：https://github.com/google-deepmind/alphafold

参考官网：https://www.isomorphiclabs.com/articles/a-glimpse-of-the-next-generation-of-alphafold文献：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/a-glimpse-of-the-next-generation-of-alphafold/alphafold_latest_oct2023.pdf