自發(fā)布以來，AlphaFold2在蛋白質結構預測方面取得了相當大的成功，引發(fā)了廣泛關注。然而，關于AlphaFold等蛋白質結構預測工具對于藥物發(fā)現(xiàn)的實際意義存在廣泛爭論。如何利用AlphaFold為藥物發(fā)現(xiàn)提供更多幫助，AlphaFold在哪些藥物發(fā)現(xiàn)問題上表現(xiàn)得更好，在哪些方面還有待提高？
蛋白質結構在水溶液中可以呈現(xiàn)多種構象，并且在與其他分子相互作用時發(fā)生結構變化。捕捉和理解這些動態(tài)變化對于揭示蛋白質的功能至關重要，然而技術水平的不足會從很大程度上限制蛋白質結構解析的準確率。
蛋白質結構測定是生物學和生物醫(yī)藥研究中的一個重要領域。雖然X射線晶體學、核磁共振（NMR）和冷凍電鏡（Cryo-EM）等技術對很多蛋白質來說，已經能夠提供相對高分辨率的結構圖像，但蛋白質結構在水溶液中不是靜態(tài)的，它們可以呈現(xiàn)多種構象，并且在與其他分子相互作用時發(fā)生結構變化。捕捉和理解這些動態(tài)變化對于揭示蛋白質的功能至關重要，然而技術水平的不足會在很大程度上限制結構解析的準確率。即使是剛性度比較大的蛋白質，想要獲取其高精度的結構圖像，現(xiàn)有的實驗手段也存在較大誤差。某些蛋白質，特別是那些難以形成穩(wěn)定晶體、尺寸過大或過小以及不能形成穩(wěn)定結構的蛋白質等，仍然難以獲取高質量的結構。
人工智能和機器學習技術的引入，為提高蛋白質結構預測的速度和準確性提供了助力，開啟了結構生物學研究的新篇章。AlphaFold等AI方法在很多方面彌補了傳統(tǒng)實驗方法在測定蛋白質結構中的不足，可以在短時間內預測蛋白質的結構，大大降低了時間和經濟成本。對于一些難以通過傳統(tǒng)方法獲得結構的蛋白質，例如難以形成穩(wěn)定晶體的蛋白質或某些大型膜蛋白，使用AI方法預測蛋白質結構能夠不依賴于蛋白質的物理樣品，從而繞過傳統(tǒng)方法的一些限制。
隨著技術的發(fā)展，尤其是深度學習在蛋白質結構預測中的應用，AI方法在精度上取得了顯著的進步。例如，AlphaFold2在2020年的Critical Assessment of Structure Prediction(CASP) 競賽中展示了前所未有的高精度預測能力。AI方法可以作為傳統(tǒng)實驗方法的輔助工具，通過預測結果指導實驗設計。
盡管AI方法在蛋白質結構預測方面取得了顯著成果，但也存在著局限性。比如，對于序列同源性較高的蛋白，側鏈建模精度依然存在較大誤差；對序列同源性低的蛋白，總體預測精度依然不高。
需要特別強調的是，蛋白質側鏈建模精度是蛋白質結構預測研究領域的核心，所有蛋白質結構建模問題的精確度，如蛋白質折疊、蛋白質-蛋白質相互作用、蛋白質-配體相互作用、氨基酸突變、蛋白質進化等，都與側鏈建模的準確性有關。此外，對于極端復雜的蛋白質、動態(tài)結構或是蛋白質復合體的預測等，AlphaFold2也存在局限性。
值得注意的是，在面向生物制藥等實際應用領域，AlphaFold2等預測手段和傳統(tǒng)實驗方法往往是互補的，預測手段并不能取代實驗結果。因為藥物設計是一項十分精細的技術，很小的結構誤差可能會導致巨大的偏差，預測手段和傳統(tǒng)實驗方法結合才可以更全面地解決蛋白質結構測定的問題。
使用AlphaFold預測蛋白質的三維結構，可以幫助研究者理解未知或未被充分研究蛋白質的功能，發(fā)現(xiàn)新的藥物作用靶點或驗證現(xiàn)有的靶點。在使用時，研究者應注意將預測模型與實驗結果相結合，以驗證和優(yōu)化預測結果。
AlphaFold通過預測蛋白質的三維結構，可以幫助研究者理解未知或未被充分研究蛋白質的功能，發(fā)現(xiàn)新的藥物作用靶點或驗證現(xiàn)有的靶點。
雖然AlphaFold已經可以較為精確地預測高同源性靶點蛋白的三級結構，但是無法考慮到靶點蛋白的周圍環(huán)境信息，如結合配體等，而這些信息對藥物設計極其重要。此外，靶點蛋白與藥物的結合是一個動態(tài)過程，蛋白質的結構會隨著該過程的進行而發(fā)生一定變化，而對該變化的模擬也是AlphaFold所欠缺的。
在使用AlphaFold等AI工具預測的蛋白質結構進行基于結構的藥物設計時，研究者應當注意驗證和參考實驗數(shù)據(jù)。對于重要靶點，應優(yōu)先考慮已有實驗結構或使用實驗方法進一步驗證關鍵部分的結構。蛋白質不是靜態(tài)的，它們可以在多種穩(wěn)定或亞穩(wěn)定的構象之間轉換，理解和考慮這種動態(tài)性對于識別藥物分子的結合位點、改善藥物分子的親和力和選擇性等都至關重要。在缺乏實驗驗證的情況下，應謹慎對待預測結構的細節(jié)，避免過度解釋可能的誤差或不確定性。
此外，在設計藥物時應避免過度優(yōu)化對預測模型特定細節(jié)的配合，以免造成“過擬合”?？梢越Y合使用多種預測工具和實驗技術，例如將AlphaFold預測的結構與實驗數(shù)據(jù)、其他預測模型的結果等結合，以獲得更準確的蛋白質三維結構。
最終，所有基于預測結構的設計都需要通過生物學實驗進行驗證，包括靶標的結合親和力測試、細胞活性測試、動物模型研究等，以確保預測結構的實用性和藥物分子的有效性。
活性位點是藥物研發(fā)人員非常關注的區(qū)域，通常是蛋白質上的特定小區(qū)域，負責與底物、抑制劑或其他蛋白質相互作用。AlphaFold的預測可以精確地描繪出蛋白質的整體構型，包括可能的活性位點區(qū)域。如果整體結構預測是準確的，那么活性位點區(qū)域的結構也有望被準確預測。然而，對于某些蛋白質，特別是那些靈活的或未充分特征化的蛋白質，預測的準確性可能會下降，并且確定一個區(qū)域是否為活性位點通常需要更多的功能性和生物化學數(shù)據(jù)。
在實際應用中，藥物研發(fā)人員可以結合使用AlphaFold和其他方法來識別和驗證活性位點，比如突變分析、結合實驗，以及分子對接、動態(tài)模擬等其他計算方法。除了結構預測之外，通常還需要對蛋白質進行功能注釋，確定可能的活性位點、配體結合區(qū)和蛋白質相互作用界面。
在藥物發(fā)現(xiàn)中，使用AlphaFold模型預測藥物/配體結合模式的準確性是研發(fā)人員非常關注的問題。使用AlphaFold模型或類似的AI結構預測工具來預測藥物或配體的結合模式，其準確性取決于多重因素，包括模型的預測能力、蛋白質和配體的特性，以及結合模式的復雜性。蛋白質在與藥物或配體結合時可能會發(fā)生顯著的構象變化，這種“誘導配合”（inducedfit）現(xiàn)象意味著靜態(tài)的蛋白質結構可能無法完全揭示藥物結合時的真實狀態(tài)。有些藥物或配體可能會通過與蛋白質結合改變其結構，特別是在與多個亞單位或復雜結構域相互作用時，AlphaFold通常不能直接預測這些效應。在實際應用中，AlphaFold提供的蛋白質結構通常與分子對接和分子動力學等其他計算方法結合使用，以更準確地預測和分析藥物/配體的結合模式，提高預測的準確性和可靠性。
需要注意的是，任何預測模型都需要通過與實驗技術的結果相結合來驗證和優(yōu)化預測結果。藥物發(fā)現(xiàn)是一個綜合性很強的領域，需要依靠跨學科的方法和多源數(shù)據(jù)的整合，以確保所發(fā)現(xiàn)的藥物候選分子的效力和安全性。
AlphaFold對于捕捉動態(tài)性和復雜的蛋白質-蛋白質或蛋白質-小分子相互作用的能力有限；在預測這些修飾對蛋白質結構的影響方面有限；對于大型蛋白質復合物或非常復雜的蛋白質網絡，其預測能力可能會降低。系統(tǒng)生物學、代謝途徑、基因表達調控等方面的因素也對藥物發(fā)現(xiàn)至關重要，而這些是AlphaFold目前無法直接解決的問題。
AlphaFold能通過快速準確地確定蛋白質結構，更快地識別新的藥物靶點，來加速藥物的設計過程。對已知蛋白質結構的深入理解，可以幫助科學家發(fā)現(xiàn)現(xiàn)有藥物的新用途。
AlphaFold的局限性和待改進之處主要是，對于捕捉這種動態(tài)性和復雜的蛋白質-蛋白質或蛋白質-小分子相互作用的能力有限；在預測這些修飾對蛋白質結構的影響方面有限；對于大型蛋白質復合物或非常復雜的蛋白質網絡，其預測能力可能會降低。系統(tǒng)生物學、代謝途徑、基因表達調控等方面的因素也對藥物發(fā)現(xiàn)至關重要，而這些是AlphaFold目前無法直接解決的問題。
長遠來說，以人工智能為基礎的蛋白質結構預測，對于藥物發(fā)現(xiàn)的意義是深遠的，AlphaFold只是人們邁出的重要一步。
傳統(tǒng)的藥物發(fā)現(xiàn)過程通常耗時且成本高昂。人工智能的應用有可能顯著縮短藥物從發(fā)現(xiàn)到上市的時間，并降低相關的研發(fā)成本，尤其對于某些長期以來難以解析結構的蛋白質，如某些膜蛋白，人工智能方法提供了新的解決途徑。這些蛋白質往往是重要的藥物靶點，AI的應用可以促進這些領域藥物研究的進展。除此之外，AI的應用還激勵了計算生物學、結構生物學、藥物化學等多個學科之間的合作，推動了這些領域的綜合發(fā)展。
信息來源：中國醫(yī)藥報
聲明：本文系轉載內容，版權歸原作者所有，涉及作品問題，我們將在第一時間刪除！