蛋白质结构预测可用于根据其氨基酸序列确定蛋白质的三维形状。这个问题至关重要，因为蛋白质的结构在很大程度上决定了它的功能。但是，蛋白质结构可能很难通过实验确定。利用遗传信息，最近已经取得了可观的进步。通过分析同源序列中的协变可以推断出哪些氨基酸残基相接触，这有助于蛋白质结构的预测。近日，英国DeepMind公司Andrew W. Senior等研究人员，证明了他们可以训练神经网络对残基对之间的距离做出准确的预测，与接触预测相比，可以传达有关结构的更多信息。利用这些信息，研究人员可以构造出平均力势，从而可以准确地描述蛋白质的形状。研究人员发现，可以通过简单的梯度下降算法优化生成的势，来生成结构，而无需复杂的采样程序。研究人员将这一系统名为AlphaFold，即使对于具有较少同源序列的序列，也可以实现高精度。在最近的蛋白质结构预测关键评估（CASP13）（对领域状态的盲目评估）中，AlphaFold为43个免费建模结构域中的24个创建了高精度结构（模板建模（TM）得分为0.7或更高）。而使用抽样和联系信息的次佳方法仅在43个域中的14个结构域中达到了这样的精度。AlphaFold代表了蛋白质结构预测方面的重大进步。研究人员希望这种提高的准确性能够深入了解蛋白质的功能和功能异常，特别是在尚未通过实验确定同源蛋白质结构的情况下尤其如此。
Andrew W. Senior, Richard Evans, John Jumper, et al. Improved protein structure prediction using potentials from deep learning. Nature, 2020.
DOI: 10.1038/s41586-019-1923-7
https://www.nature.com/articles/s41586-019-1923-7
