成功率超越RoseTTAFold系列,用序列信息直接预测蛋白质-配体复合物结构
编辑 | 萝卜皮
蛋白质是身体对抗病原和开发中一种成熟的工具,并用于缩小实验测试的潜在治疗范围。高质量的蛋白质结构是必需的,并且蛋白质经常被视为完全或部分刚性的。
在这里,柏林自由大学(Freie Universität Berlin)的研究人员开发了一个人工智能系统,可以直接从序列信息预测蛋白质-配体复合物的完全柔性全原子结构。
虽然经典对接方法仍然更胜一筹,但这也取决于目标蛋白质的晶体结构。除了预测灵活的全原子结构外,预测置信度指标 (plDDT) 还可用于选择准确的预测,以及区分强结合剂和弱结合剂。
该研究以「Structure prediction of protein-ligand complexes from sequence information with Umol」为题,于 2024 年 5 月 28 日发布在《Nature Communications》。
蛋白质与蛋白质标的接触是评估新药及重新定位已知物的重要问题。现有接触方法存在局限:需要高质量的蛋白质结构;难以确定准确的接触姿态;多基于结合能力(亲和力)评估,难以反映结构稳定性等其他因素。然而,现有的接触方法局限在于需要高质量的蛋白质结构、准确的接触姿态和多基于亲和力评估。因此,采用蛋白质组合和结构评估相结合的方法,限制了对新配体的探索。
机器学习虽然已应用于这一领域,但在针对已知靶标区域的表现上,仍未超越基于打分函数的经典方法。并且,预测的蛋白结构往往不适宜直接用于配体对接。
此外,评估集中若结构基于发布时间而非相似性划分,会引入偏差,尤其是面对训练中未见的受体结构时性能减半。
蛋白质灵活性对于达到结合状态和成功对接至关重要,RoseTTAFold All-Atom 虽能在预测蛋白质时结合配体,其在 PoseBusters 测试集上的成功率也只有 42%,且对未见过的蛋白质表现未知,表明蛋白质-配体复合物结构预测的挑战尚未完全解决。
柏林自由大学的团队开发了一种 AI 方法,通过扩展 AlphaFold2 中的 EvoFormer,可以根据序列信息预测蛋白质-配体复合物的结构。该网络与 RFAA 类似,不同之处在于不包括 3D 轨迹,使用模板结构或额外的晶体学配体数据作为输入或在训练期间使用。
图示:Umol 概述。(来源:论文)
从蛋白质序列、可选蛋白质靶位(口袋)和配体 SMILES 开始,创建了多序列比对 (MSA) 和键矩阵。由此,在网络内生成特征并生成 3D 结构。由于无需任何结构信息即可生成最终的蛋白质-配体复合物结构,因此对蛋白质或配体的灵活性没有任何限制。
与最接近的 RoseTTAFold All-Atom 和 NeuralPlexer1 相比,Umol 在 PoseBusters 测试集上包含口袋信息时获得了更高的成功率(SR,配体 RMSD ≤ 2 Å),分别为 45%、42%、24%,使其成为蛋白质-配体结构预测中表现最好的方法。
图示:预测精度。(来源:论文)
当从 Umol 中删除口袋信息并从 RFAA 中删除模板信息时,SR 分别下降到 18% 和 8%。当使用带有 AF 预测的 DiffDock 时,准确率为 21%,但取决于高度准确的界面预测(口袋 RMSD
许多略高于 2 Å 成功阈值的配体姿势可能相当,这表明可能需要更灵活的评分系统。Umol 在 2.35 Å 阈值下的成功率超过了 AutoDock Vina。在未使用天然蛋白质结构进行评分的情况下,即使是微小的对齐错误也会成为问题。
共折叠蛋白质-配体复合物具有加速药物重新定位的潜力。特别是,研究人员发现配体的预测 lDDT (plDDT) 可用于选择准确的对接姿势,而蛋白质口袋的 pIDDT 适用于选择准确的界面。
图示:置信度指标和准确性。(来源:论文)
配体 plDDT 也分离了高亲和力配体和低亲和力配体,这表明 Umol 和 Umol-pocket 不确定的一些预测可能是弱结合剂。这进一步证明了 Umol 的能力,并强调似乎已经了解了蛋白质-配体相互作用的重要方面。
图示:BindingDB 预测。(来源:论文)
尽管没有口袋信息的准确率为 18%,但网络仍可以在一定程度上区分强结合剂和弱结合剂。这对于注释未知复合物特别有用,该团队以非常高的置信度(配体 plDDT>85)呈现了 336 种蛋白质-配体结构。需要注意的是,虽然这些结构看似合理且其 L-plDDT 得分很高,但仍需通过实验验证。
图示:使用 Umol-pocket 分析 PoseBusters 测试集 (n=428) 上的预测的不同特征与配体 RMSD (LRMSD) 之间的关系。(来源:论文)
研究人员没有发现模型的预测性能与「同蛋白质或配体相关的不同特征」之间存在明确的关系。
图示:最困难的 5 个结构。(来源:论文)
然而,在其他方法难以预测的情况下,Umol-pocket 在 5 种情况下有 3 种是准确的。通过反转训练好的网络,可以设计新的配体结合蛋白或蛋白结合配体。另一种选择是使用迁移学习来创建用于相同目的的生成扩散模型。在这种情况下,可以最大化配体或蛋白 plDDT 以尝试创建高亲和力结合物。
PDBbind 的当前版本包含 2019 年从 PDB 处理的数据。从那时起,已经提交了更多蛋白质-配体复合物,这表明可能可以实现更高的精度。
然而,目前尚不清楚需要什么样的精度才能获得有意义的蛋白质-配体对接结果。蛋白质结构预测的高精度在涉及其他分子(如小分子或 RNA)的任务中无法实现。
如果没有蛋白质的共同进化信息,结构预测的准确性会迅速下降。由于小分子或 RNA 没有类似的信息来源,因此人们只能依赖原子表征。
表:PoseBuster 基准集上的成功率(配体 RMSD≤2Å 的百分比)除以 PDBBind 2020 版本的序列同一性 (seqid)。(来源:论文)
研究人员认为口袋信息非常有效,如果没有口袋信息,深度学习方法似乎容易过度拟合。这一发现进一步证实了以下观察结果:尽管 PoseBusters 测试集中的许多分子在训练数据集中包含高度相似的类似物,但这种相似性与模型成功率无关。
图示:一些测试。(来源:论文)
对于基于结构的对接方法(如 Vina 或 Gold),未观察到相同程度的过度拟合。这是意料之中的,因为它们基于原子评分函数,因此不会在相同程度上依赖蛋白质同源性。
深度学习方法在训练集上具有明显更高的性能,这表明蛋白质同源性在蛋白质-配体对接中起着重要作用。RFAA 在测试集上的性能高于训练集,这表明训练集和测试集之间可能存在数据泄漏。
总之,要完全掌握蛋白质-配体相互作用的复杂性还有很长的路要走,但利用深度学习对整个复合物的结构进行预测可能会让科学家更接近解决方案。
Umol:https://github.com/patrickbryant1/Umol
论文链接:https://www.nature.com/articles/s41467-024-48837-6
以上是成功率超越RoseTTAFold系列,用序列信息直接预测蛋白质-配体复合物结构的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

但可能打不过公园里的老大爷?巴黎奥运会正在如火如荼地进行中,乒乓球项目备受关注。与此同时,机器人打乒乓球也取得了新突破。刚刚,DeepMind提出了第一个在竞技乒乓球比赛中达到人类业余选手水平的学习型机器人智能体。论文地址:https://arxiv.org/pdf/2408.03906DeepMind这个机器人打乒乓球什么水平呢?大概和人类业余选手不相上下:正手反手都会:对手采用多种打法,该机器人也能招架得住:接不同旋转的发球:不过,比赛激烈程度似乎不如公园老大爷对战。对机器人来说,乒乓球运动

8月21日,2024世界机器人大会在北京隆重召开。商汤科技旗下家用机器人品牌“元萝卜SenseRobot”家族全系产品集体亮相,并最新发布元萝卜AI下棋机器人——国际象棋专业版(以下简称“元萝卜国象机器人”),成为全球首个走进家庭的国际象棋机器人。作为元萝卜的第三款下棋机器人产品,全新的国象机器人在AI和工程机械方面进行了大量专项技术升级和创新,首次在家用机器人上实现了通过机械爪拾取立体棋子,并进行人机对弈、人人对弈、记谱复盘等功能,

开学将至,该收心的不止有即将开启新学期的同学,可能还有AI大模型。前段时间,Reddit上挤满了吐槽Claude越来越懒的网友。「它的水平下降了很多,经常停顿,甚至输出也变得很短。在发布的第一周,它可以一次性翻译整整4页文稿,现在连半页都输出不了了!」https://www.reddit.com/r/ClaudeAI/comments/1by8rw8/something_just_feels_wrong_with_claude_in_the/在一个名为「对Claude彻底失望了的帖子里」,满满地

正在北京举行的世界机器人大会上,人形机器人的展示成为了现场绝对的焦点,在星尘智能的展台上,由于AI机器人助理S1在一个展区上演扬琴、武术、书法三台大戏,能文能武,吸引了大量专业观众和媒体的驻足。在带弹性的琴弦上的优雅演奏,让S1展现出速度、力度、精度兼具的精细操作和绝对掌控。央视新闻对「书法」背后的模仿学习和智能控制进行了专题报道,公司创始人来杰解释到,丝滑动作的背后,是硬件侧追求最好力控和最仿人身体指标(速度、负载等),而是在AI侧则采集人的真实动作数据,让机器人遇强则强,快速学习进化。而敏捷

本届ACL大会,投稿者「收获满满」。为期六天的ACL2024正在泰国曼谷举办。ACL是计算语言学和自然语言处理领域的顶级国际会议,由国际计算语言学协会组织,每年举办一次。一直以来,ACL在NLP领域的学术影响力都位列第一,它也是CCF-A类推荐会议。今年的ACL大会已是第62届,接收了400余篇NLP领域的前沿工作。昨天下午,大会公布了最佳论文等奖项。此次,最佳论文奖7篇(两篇未公开)、最佳主题论文奖1篇、杰出论文奖35篇。大会还评出了资源论文奖(ResourceAward)3篇、社会影响力奖(

视觉与机器人学习的深度融合。当两只机器手丝滑地互相合作叠衣服、倒茶、将鞋子打包时,加上最近老上头条的1X人形机器人NEO,你可能会产生一种感觉:我们似乎开始进入机器人时代了。事实上,这些丝滑动作正是先进机器人技术+精妙框架设计+多模态大模型的产物。我们知道,有用的机器人往往需要与环境进行复杂精妙的交互,而环境则可被表示成空间域和时间域上的约束。举个例子,如果要让机器人倒茶,那么机器人首先需要抓住茶壶手柄并使之保持直立,不泼洒出茶水,然后平稳移动,一直到让壶口与杯口对齐,之后以一定角度倾斜茶壶。这

今天下午,鸿蒙智行正式迎来了新品牌与新车。 8月6日,华为举行鸿蒙智行享界S9及华为全场景新品发布会,带来了全景智慧旗舰轿车享界S9、问界新M7Pro和华为novaFlip、MatePadPro12.2英寸、全新MatePadAir、华为毕升激光打印机X1系列、FreeBuds6i、WATCHFIT3和智慧屏S5Pro等多款全场景智慧新品,从智慧出行、智慧办公到智能穿戴,华为全场景智慧生态持续构建,为消费者带来万物互联的智慧体验。鸿蒙智行:深度赋能,推动智能汽车产业升级华为联合中国汽车产业伙伴,为

会议简介随着科技的飞速发展,人工智能已经成为了推动社会进步的重要力量。在这个时代,我们有幸见证并参与到分布式人工智能(DistributedArtificialIntelligence,DAI)的创新与应用中。分布式人工智能是人工智能领域的重要分支,这几年引起了越来越多的关注。基于大型语言模型(LLM)的智能体(Agent)异军突起,通过结合大模型的强大语言理解和生成能力,展现出了在自然语言交互、知识推理、任务规划等方面的巨大潜力。AIAgent正在接棒大语言模型,成为当前AI圈的热点话题。Au
