概述

蛋白质结构预测旨在仅从蛋白质的氨基酸序列确定蛋白质的三维构象。由于通过 X 射线晶体学、核磁共振波谱或冷冻电镜进行实验结构测定仍然耗时且昂贵，计算方法提供了一种可扩展的替代方案。深度学习已经彻底改变了该领域，尤其是 AlphaFold2，它对大部分球状蛋白实现了接近实验的准确性。结构预测弥补了不断增长的序列数据库与蛋白质宇宙相对稀疏的结构覆盖之间的差距。

方法

存在三种主要方法。 同源（比较）建模使用一个或多个通过实验确定的具有显着序列相似性的模板结构构建目标结构。 **线程（折叠识别）**即使在序列同一性较低时也能检测到兼容的折叠。 深度学习方法：特别是基于变压器架构和端到端可微分模型的方法，根据共同进化信息和物理约束来预测残基间的距离和角度。使用 pLDDT（预测局部距离差异测试）和 TM 分数等指标来评估模型质量。

应用程序

准确的结构预测通过实现基于结构的虚拟筛选来加速药物发现，指导诱变实验的设计，并促进未表征蛋白质的功能注释。预测的结构通常用于解释[蛋白质结构](/guides/ Protein-struction.html)关系，研究氨基酸背景下突变的影响，以及模拟与[蛋白质折叠和分子伴侣](/guides/ Protein-folding-and-chaperones.html)相关的折叠途径。该方法还通过提供结构细化的起始模型来补充 核磁共振波谱 的实验数据。