Точное предсказание структуры белка с помощью AlphaFold

Белки необходимы для жизни, и понимание их структуры может облегчить механистическое понимание их функции. Благодаря огромным экспериментальным усилиям были определены структуры около 100 000 уникальных белков, однако это лишь малая доля от миллиардов известных последовательностей белков. Получение одной структуры белка требует месяцев или лет кропотливой работы, поэтому структурное покрытие ограничено этим узким местом. Для устранения этого разрыва и развития крупномасштабной структурной биоинформатики нужны точные вычислительные методы. Предсказание трёхмерной структуры, которую белок примет исключительно на основе аминокислотной последовательности, — компонент проблемы сворачивания белка, связанный со структурным предсказанием, — остаётся важной нерешённой задачей уже более 50 лет. Несмотря на недавний прогресс, существующие методы значительно уступают атомарной точности, особенно при отсутствии структуры гомолога. Здесь мы представляем первый вычислительный метод, который способен регулярно предсказывать структуры белков с атомарной точностью даже в тех случаях, когда похожая структура неизвестна. Мы провели валидацию полностью переработанной версии нашей нейросетевой модели AlphaFold в сложном 14-м критическом тесте оценки предсказания структуры белка (CASP14), показав точность, сопоставимую с экспериментальными структурами в большинстве случаев, и значительно превосходящую другие методы. В основе последней версии AlphaFold лежит новый подход машинного обучения, который при построении алгоритма глубокого обучения учитывает физические и биологические сведения о структуре белков, используя множественные выравнивания последовательностей.