蛋白质结构预测
蛋白质结构预测是仅根据构成蛋白质的氨基酸序列，通过计算推断该蛋白质实际会折叠成怎样的三维形状。
通俗解释 这类似于只看一张写成一行文字的折纸说明，就猜出折好的纸鹤是什么样子。不同的是，蛋白质的说明里并没有写折叠步骤，而是依据物理和化学规律自行折叠。
工作原理
蛋白质是由 20 种氨基酸像链条一样连接而成的分子，这条链折叠后形成特定的立体形状。过去要通过 X 射线晶体学或冷冻电子显微镜等实验来确定形状，耗时又耗钱。AI 方法则用大量已解析形状的蛋白质数据训练深度学习模型。模型利用在进化过程中共同变化的氨基酸对等线索以及基于注意力的结构，预测原子的三维位置，同时给出表示预测可信程度的分数。
从序列到结构
- 1输入氨基酸序列连成一条链的信息
- 2收集线索共同变化的氨基酸对等
- 3深度学习预测计算原子的三维位置
- 4置信度分数各部位的可信程度
- 5实验验证在做出重要决定前确认
为什么重要
蛋白质的形状在很大程度上决定了它在体内发挥什么作用。药物通常要恰好结合在特定蛋白质的凹陷部位才能起效，因此知道形状就能更快地缩小候选药物的范围。借助 AI 预测，原本需要长时间实验才能获得的结构现在可以快速得到，许多蛋白质的预测结构也通过公开数据库共享。因此，它被视为 AI 新药研发、酶设计和疾病研究的基础技术。
注意事项
预测终究只是预测，重要决策仍需要通过实验加以验证。蛋白质实际上会运动并改变形状，而预测结果主要展示的是一种静止的形状。没有固定形状、松散柔软的部分，以及与其他分子结合时发生变化的形状，更难预测。近来，研究正从单个蛋白质扩展到预测其与其他蛋白质、DNA、药物分子的结合。
示例
最广为人知的例子是 Google DeepMind 的 AlphaFold。研究人员输入感兴趣的蛋白质的氨基酸序列，就能得到预测的三维结构以及各部位的置信度，也可以从公开数据库下载预先计算好的预测结构。制药公司和研究机构以这些预测结构为起点，寻找药物可以结合的位点、筛选候选物质，再通过实验进行验证。