AlphaFold2|AI時代，讓我們一起體驗科研中開盲盒的快樂!

更新時間：2021-08-06

點擊次數：1540

“

AlphaFold2

AlphaFold刷屏

dianfu生命科學

AlphaFold2，再登Nature

從業者都懵了

AlphaFold2開源

它來了，它帶著源代碼過來了

人類98.5%蛋白質全都被預測

生命科學領域或迎來巨變

DeepMind創始人兼執行官Demis Hassabis在《Nature》期刊上分享AlphaFold的開源代碼，并發表了系統的完整方法，詳盡細致說明AlphaFold是如何做到精確預測蛋白質3D結構的。

更加令人振奮的是，在AlphaFold2開源僅僅一周后，DeepMind震撼公布了AlphaFold數據集。開放的數據集不僅包括人類蛋白質組，還有大腸桿菌、酵母、果蠅、小鼠、水稻、擬南芥等模式物種在內的20多種物種的大部分蛋白的預測結構，總計超過35萬個蛋白質的結構。DeepMind還與歐洲生物信息研究所（EMBL-EBI）合作建立了一個平臺—AlphaFold DB（AlphaFold蛋白質結構數據庫），將他們的預測結果免費開放給公眾，AlphaFold2模型的目標是為所有具有已知序列的蛋白提供預測結構。DeepMind計劃在年底將預測數量增加到1.3億個。EMBL-EBI主任Ewan Birney博士將其稱之為“繼人類基因組圖譜之后最重要的數據集"。

3(1).png

數十年的時間里，研究人員一直在用X射線晶體學和冷凍電鏡這類實驗技術解析蛋白質結構。但是，這類方法存在費時耗錢的問題，對一些蛋白也不適用。為滿足科研工作者對于蛋白與多肽設計，高效的抗體定制以及蛋白結構與功能分析等需求，索萊寶緊跟科技前沿，深入解析這個基于神經網絡的新模型AlphaFold2。AlphaFold2不僅可以做到精確預測蛋白質3D結構，而且準確度能達到原子水平。AlphaFold2不僅達到了*的準確度，還遠超解析新蛋白質結構的其他方法。現小編和大家一起，初步體驗AlphaFold2在蛋白結構預測中帶來的這份快樂。

操作步驟

◆ 按下圖點擊

4(1).jpg

◆ 在Search欄輸入蛋白名稱、UniProt號或基因ID，比如：植物蛋白PHYB；

5(1).png

◆ 在左邊選擇目標物種，就可以顯示該物種中的PHYB蛋白，比如選擇“Oryza sativa subsp. Japonica"，就可以顯示水稻的PHYB蛋白；

6(1).png

◆ 點擊進去，就會顯示PHYB的預測結構，其中不同顏色代表不同的預測可信度。藍色越深，可信度越高，橙色越深，可信度越低。可以看出，PHYB的預測結構具有很高的可信度，結構的細節也可以點擊圖片進一步查看；

7(1).png

8(1).png

數據對比

在Uniprot數據庫，并沒有提供這一蛋白的可以利用的結構注釋信息（見下圖）。

9(1).png

使用SWISS-MODEL建模預測蛋白結構（見下圖），通常需要花費很長時間（短則10分鐘，長則數小時），且預測的結構完整度受限于同源蛋白的相似度（很多時候僅有部分蛋白片段給出預測結果）。

10(1).png

評論：

AlphaFold可以看到蛋白的預測結構，并且將待預測蛋白的全序列結構描摹出來。據報道AlphaFold2的神經網絡能在幾分鐘內預測出一個典型蛋白質的結構，還能預測較大蛋白質（比如一個含有2180個氨基酸、無同源結構的蛋白質）的結構。

總結與展望

最近，關于AlphaFold2的爆炸性信息也高頻沖擊著眼球。這是號稱困擾生物學家50年的問題，這是DeepMind在“蛋白質折疊問題"的突破性成果。不可否認，AI進軍生命科學研究領域，可以稱得上一次里程碑式的創舉，是繼X射線晶體學、核磁共振、冷凍電子顯微鏡（CryoEM）等實驗技術之后的偉大創新。

縱觀科學史，每次科學家在所在領域內取得重大的進步，都離不開當時技術的支持。在AI時代，因為算力和算法模型的極大提升，我們見證了蛋白質結構預測的歷史時刻。AlphaFold2的數據庫現已開源并且還在不斷地增加新蛋白質結構預測，這成為了科學家進行蛋白質研究的寶藏數據庫。這個成果極大地推動了科學家的研究與發展，拓展了對蛋白質進行結構解析與功能分析、以及下游應用的范圍，比如一些癌癥、病毒類感染的疾病研究，抗生素、靶向藥的開發，研發新效率的酶等。讓我們在生命科學研究中體驗開盲盒的快樂，期待下一個想不到的驚喜，期待未來。

多肽/重組蛋白設計與抗體定制服務

索萊寶在緊跟科技前沿的同時，也可提供從基因，多肽設計合成，蛋白表達純化到科研抗體的制備與后續檢測驗證等一站式的解決方案與定制服務。本服務項目依托于先進的研發平臺，專業的服務開發團隊和國際品牌的儀器設備，為客戶抗體的定制與檢測服務提供了保障。我們將在高效率的滿足科研工作者對抗體多樣化和深層次需求的道路上繼續前行。

11(1).png

參考文獻

Jumper, J et al. Highly accurate protein structure prediction with AlphaFold (Nature 2021).

Tunyasuvunakool, K et al.Highly accurate protein structure prediction for the human proteome (Nature 2021).