Ikhtisar

Prediksi struktur protein bertujuan untuk menentukan konformasi tiga dimensi protein hanya dari sekuens asam aminonya. Karena penentuan struktur eksperimental, melalui kristalografi sinar-X, spektroskopi NMR, atau krio-EM, masih memakan waktu dan mahal, metode komputasional menawarkan alternatif yang dapat diskalakan. Bidang ini telah direvolusi oleh pembelajaran mendalam, terutama oleh AlphaFold2, yang mencapai akurasi hampir eksperimental untuk sebagian besar protein globular. Prediksi struktur menjembatani kesenjangan antara basis data sekuens yang terus bertambah dan cakupan struktural yang relatif jarang dari alam semesta protein.

Metode

Tiga pendekatan utama ada. Pemodelan homologi (komparatif) membangun struktur target menggunakan satu atau lebih struktur templat yang ditentukan secara eksperimental dengan kemiripan sekuens yang signifikan. Threading (pengenalan lipatan) mendeteksi lipatan yang kompatibel bahkan ketika identitas sekuens rendah. Metode pembelajaran mendalam: khususnya yang didasarkan pada arsitektur transformer dan model diferensiabel ujung-ke-ujung, memprediksi jarak dan sudut antar residu dari informasi ko-evolusioner dan kendala fisik. Kualitas model dinilai menggunakan metrik seperti pLDDT (tes perbedaan jarak lokal yang diprediksi) dan TM-score.

Aplikasi

Prediksi struktur yang akurat mempercepat penemuan obat dengan memungkinkan penyaringan virtual berbasis struktur, memandu desain eksperimen mutagenesis, dan memfasilitasi anotasi fungsional protein yang tidak dikarakterisasi. Struktur yang diprediksi secara rutin digunakan untuk menginterpretasi hubungan struktur protein, mempelajari dampak mutasi dalam konteks asam amino, dan memodelkan jalur pelipatan yang relevan dengan pelipatan protein dan pendamping. Pendekatan ini juga melengkapi data eksperimental dari spektroskopi NMR dengan menyediakan model awal untuk penyempurnaan struktur.