如何使用alphafold进行蛋白质结构预测_alphafold预测蛋白结构教程

AlphaFold 是 DeepMind 开发的一种基于深度学习的方法，用于预测蛋白质的三维（3D）结构，精确度极高。使用 AlphaFold 预测蛋白质结构的工作流程包括几个关键步骤：

（1）序列输入：
从相关蛋白质的氨基酸序列开始。该序列通常来自实验数据或基因组和蛋白质组数据库。

（2）多重序列比对（MSA）：
将目标蛋白质序列与来自不同生物体的同源序列生成多重序列比对。MSA 提供了宝贵的进化信息，有助于提高结构预测的准确性。

（3）AlphaFold 预测：
利用在大量蛋白质结构数据集上训练过的 AlphaFold 深度学习模型来预测目标蛋白质的三维结构。AlphaFold 采用神经网络架构，将 MSA 和目标序列作为输入，预测蛋白质中残基对之间的距离。

（4）距离矩阵生成：
利用预测的残基间距离生成距离矩阵，该矩阵表示蛋白质中所有氨基酸残基间的成对距离。

（5）结构预测：
应用预测距离矩阵预测蛋白质原子的三维坐标。这一步骤包括解决距离几何问题，以确定最符合预测距离的原子空间排列。

（6）细化：
初始预测结构可能会经过细化，以提高其准确性。这可能涉及各种技术，如分子动力学模拟或能量最小化，以优化结构并消除任何立体冲突。

（7）结构评估：
评估预测蛋白质结构的质量。有多种指标和工具可用于评估预测结构的准确性和可靠性，包括均方根偏差（RMSD）和 MolProbity 分数。

（8）可视化和分析：
使用分子可视化软件对预测的三维蛋白质结构进行可视化和分析。研究人员可以检查结构的特定特征、活性位点或与配体或其他生物大分子的相互作用。

（9）验证：
可使用 X 射线晶体学、低温电子显微镜（cryo-EM）或核磁共振（NMR）光谱等技术对预测的蛋白质结构进行实验验证，以确认预测结构的准确性。

（10）应用：
预测的蛋白质结构可用于各种应用，包括药物发现、蛋白质工程、了解蛋白质功能以及研究蛋白质与蛋白质之间的相互作用。
AlphaFold 以快速和自动化的方式提供高精度的三维结构，彻底改变了蛋白质结构预测领域。它的应用扩展到广泛的生物和生物医学研究领域，为我们了解蛋白质功能和疾病机制做出了贡献。
（11）alpha-fold官方使用手册（ https://www.deepmind.com/open-source/alphafold-protein-structure-database）：
AlphaFold 是我们根据氨基酸序列预测蛋白质三维结构的人工智能系统。在 CASP14 中，AlphaFold 是排名最靠前的蛋白质结构预测方法，其预测准确率很高，其中许多预测结果与实验测定结果不相上下。

我们与欧洲生命科学旗舰实验室–EMBL欧洲生物信息学研究所 （EMBL-EBI） 合作创建了AlphaFold蛋白质结构数据库，向科学界免费提供这些预测结果。

2021年7月，我们发布了21种模式生物的预测结果（约33万个预测结果），涵盖了人类蛋白质组中的所有2万个蛋白质。 2021 年 12 月，我们从 Swiss-Prot 中添加了 44 万个新结构，其中包括社区手动策划和注释的关键蛋白质。最后，在 2022 年 1 月，我们根据世界卫生组织的优先列表，为 17 种被忽视的疾病生物和 10 种抗菌细菌添加了约 19 万个新结构。这使得可用结构总数接近 100 万。

现在，我们已将其扩展了 200 倍，可提供超过 2 亿个蛋白质的结构，几乎涵盖了科学界已知的所有编码蛋白质。 数据库的扩展包含了尽可能广泛的物种结构，包括植物、细菌以及其他动物和生物。这涵盖了 UniRef90 数据库中所有 1 亿个编目蛋白质的很大一部分。

AlphaFold 蛋白结构数据库将随着时间的推移不断更新和改进，因此如果您现在还找不到要找的内容，请关注 DeepMind 和 EMBL-EBI 的社交渠道，了解最新信息。在此期间，您可以使用 AlphaFold 源代码预测 AlphaFold 数据库中尚未包含的蛋白质结构，也可以使用 Colab 笔记本运行单个序列。

1、网址：https://alphafold.ebi.ac.uk/

2、下载PDB file