01

文章背景簡介   

BACKGROUND INTRODUCTION

科學(xué)家們長期認(rèn)為蛋白質(zhì)的形狀決定了其功能。只要了解蛋白質(zhì)的形狀，就能猜測其在細(xì)胞中的作用，并且開發(fā)出與其形狀相關(guān)的藥物。因此，研究人員通過冷凍電鏡、核磁共振、X射線等多種手段來確定蛋白質(zhì)的形狀。這一過程不僅繁瑣而且成本高昂。為此，CASP(Critical Assessment of protein Structure Prediction)大賽應(yīng)運(yùn)而生。2020年，隨著AI技術(shù)的發(fā)展，Deepmind公司的AlphaFold2在CASP中橫空出世，有望解決這一困擾研究人員多年的難題。

為了探究合成全新蛋白質(zhì)算法的準(zhǔn)確度，2021年7月，華盛頓大學(xué)生物學(xué)家大衛(wèi)·貝克（David Baker）團(tuán)隊(duì)研發(fā)的RoseTTAFold構(gòu)建了一種“三軌（three-track）”神經(jīng)網(wǎng)絡(luò)，能在十幾分鐘之內(nèi)解析給定序列的三維結(jié)構(gòu)。2023年7月，該團(tuán)隊(duì)成功獲得了一個(gè)蛋白質(zhì)骨架生成模型（generative model），并且通過實(shí)驗(yàn)表征和電鏡驗(yàn)證后，證明了該模型的可靠性，完成了真正意義上的蛋白質(zhì)從頭設(shè)計(jì)（de novo protein design），并且在《Nature》雜志（IF=64.8，Q1）上發(fā)表了題為“De novo design of protein structure and function with RFdiffusion”的文章。

02

所用到的主要方法

METHODS   

1、RFdiffusion

2、DDPM

3、冷凍電鏡

4、圓二色光譜

5、尺寸排阻色譜

03

文章主要內(nèi)容摘要

ABSTRACT 

對(duì)于蛋白質(zhì)設(shè)計(jì)的軟件來說，最終需要建立可視化的蛋白質(zhì)三維結(jié)構(gòu)，為達(dá)成這一目標(biāo)，該團(tuán)隊(duì)使用了去噪擴(kuò)散概率模型（Denoising Diffusion Probabilistic Model，DDPM）對(duì)已知的蛋白結(jié)構(gòu)模型進(jìn)行學(xué)習(xí)并且根據(jù)所需條件引導(dǎo)該模型生成目標(biāo)蛋白。遺憾的是，無論是生成全新的蛋白質(zhì)還是二級(jí)結(jié)構(gòu)，最終結(jié)果與實(shí)驗(yàn)數(shù)據(jù)大相徑庭。

該團(tuán)隊(duì)在DDPM中加入了RoseTTAFold（RF），不僅能夠生成高精度的蛋白質(zhì)結(jié)構(gòu)，以具有旋轉(zhuǎn)等變性的殘基的剛性框架表示，并且具有能夠在單個(gè)殘基、殘基間距離和方向以及3D坐標(biāo)水平上對(duì)設(shè)計(jì)規(guī)格進(jìn)行調(diào)節(jié)的體系結(jié)構(gòu)。首先，對(duì)RF進(jìn)行了微調(diào)，一步完成圍繞輸入的功能基序的蛋白質(zhì)骨架。實(shí)驗(yàn)結(jié)果表明，該方法可以以原子精度支持廣泛的蛋白質(zhì)功能基序，但該方法只能接收精確的指令，對(duì)于給定的問題只能產(chǎn)生有限的設(shè)計(jì)多樣性。最終，該團(tuán)隊(duì)通過算法優(yōu)化，建立了RFdiffusion模型，并且利用PDB數(shù)據(jù)庫進(jìn)行深度學(xué)習(xí)。

圖1強(qiáng)調(diào)了RF結(jié)構(gòu)預(yù)測和RF擴(kuò)散去噪步驟之間的相似之處：在這兩種情況下，根據(jù)模型的輸入條件將坐標(biāo)轉(zhuǎn)換為預(yù)測結(jié)構(gòu)。在RF中，輸入蛋白序列，并提供額外的結(jié)構(gòu)信息作為模板和模型的初始坐標(biāo)。在RF擴(kuò)散中，主要的輸入是上一步得到的加噪坐標(biāo)。對(duì)于特定的設(shè)計(jì)任務(wù)，可以提供一系列輔助條件信息，包括部分序列、折疊信息或固定的功能模體坐標(biāo)。

該實(shí)驗(yàn)獲得了一個(gè)蛋白質(zhì)骨架的生成模型，該模型在無條件和拓?fù)涫芟薜牡鞍踪|(zhì)單體設(shè)計(jì)、蛋白質(zhì)粘合劑設(shè)計(jì)、對(duì)稱寡聚物設(shè)計(jì)、酶活性位點(diǎn)支架和對(duì)稱基序支架用于治療性和金屬結(jié)合蛋白設(shè)計(jì)方面取得了出色的性能。通過實(shí)驗(yàn)表征數(shù)百種設(shè)計(jì)的對(duì)稱組裝體、金屬結(jié)合蛋白和蛋白粘合劑的結(jié)構(gòu)和功能，證明了該方法的威力和通用性，稱為Rose TTAFold diffusion ( RF diffusion )。

用RFdiffusion方法解決的問題的廣度和復(fù)雜性以及和精確性遠(yuǎn)遠(yuǎn)超過了以前的結(jié)果。與從文本提示生成圖像的方式類似，RFdiffusion使得用最少的專業(yè)知識(shí)從最小的分子規(guī)格(例如,對(duì)用戶指定的目標(biāo)蛋白質(zhì)具有高親和力的粘合劑,以及來自用戶指定對(duì)稱性的各種蛋白質(zhì)組裝體)生成功能蛋白成為可能。將RF擴(kuò)展到包含配體，同樣可以使RFdiffusion擴(kuò)展到顯式地模擬配體原子，并允許設(shè)計(jì)蛋白質(zhì)-配體相互作用。通過添加外部勢能和微調(diào)來定制RF擴(kuò)散以應(yīng)對(duì)特定設(shè)計(jì)挑戰(zhàn)的能力，以及對(duì)基礎(chǔ)方法的持續(xù)改進(jìn)，應(yīng)該能夠使從頭設(shè)計(jì)的蛋白質(zhì)設(shè)計(jì)達(dá)到更高的復(fù)雜性水平，以接近并在某些情況下超過自然進(jìn)化所取得的成就。

簡而言之，本研究的主要內(nèi)容有:

1、獲得了一個(gè)蛋白質(zhì)骨架的生成模型

2、該模型在無條件和拓?fù)涫芟薜牡鞍踪|(zhì)單體設(shè)計(jì)、蛋白質(zhì)粘合劑設(shè)計(jì)、對(duì)稱寡聚物設(shè)計(jì)、酶活性位點(diǎn)支架和對(duì)稱基序支架用于治療性和金屬結(jié)合蛋白設(shè)計(jì)方面取得了出色的性能。

3、將RF擴(kuò)展到包含配體，同樣可以使RF擴(kuò)散擴(kuò)展到顯式地模擬配體原子，并允許設(shè)計(jì)蛋白質(zhì)-配體相互作用。

       原文標(biāo)題 : 用RoseTTAFold設(shè)計(jì)全新結(jié)構(gòu)與功能的蛋白質(zhì)