AlphaFold2 reveals commonalities and novelties in protein structure space for 21 model organisms.
AlphaFold2 reveals commonalities and novelties in protein structure space for 21 model organisms.
复制标题
DOI：
10.1038/s42003-023-04488-9
复制
发表时间：
2023-02-08
影响因子：
5.9
通讯作者：
中科院分区：
文献类型：
--
作者：
像深度思维（DeepMind）的阿尔法折叠2（AlphaFold2，AF2）这样的深度学习（DL）方法，已在蛋白质结构预测方面带来了重大进展。我们运用一种新的分类方案（CATH - Assign），对来自21种模式生物的可靠AF2模型进行分析，该方案采用了新的深度学习方法来进行结构比较与分类。在约37万个可靠模型中，92%可被归入我们CATH结构域超家族分类中的3253个超家族。其余的聚集成2367个推定的新超家族。对其中618个至少有一个人类相关蛋白的新超家族进行详细的人工分析后，发现了极其疏远的同源关系以及更多不寻常的特征。最终仅确认了25个新超家族。尽管大多数模型可对应到现有的超家族，但AF2结构域使CATH分类的规模扩大了67%，独特“全局”折叠的数量增加了36%，这将为研究结构与功能的关系提供有价值的见解。CATH - Assign将利用深度思维提供的海量结构数据扩展，来合理阐释驱动功能分化的进化变化。
一种结合深度学习策略以检测结构域间序列和结构相似性的新蛋白质结构域分类方案，被用于系统研究和分析21种生物蛋白质的预测阿尔法折叠2结构模型。
Deep-learning (DL) methods like DeepMind’s AlphaFold2 (AF2) have led to substantial improvements in protein structure prediction. We analyse confident AF2 models from 21 model organisms using a new classification protocol (CATH-Assign) which exploits novel DL methods for structural comparison and classification. Of ~370,000 confident models, 92% can be assigned to 3253 superfamilies in our CATH domain superfamily classification. The remaining cluster into 2367 putative novel superfamilies. Detailed manual analysis on 618 of these, having at least one human relative, reveal extremely remote homologies and further unusual features. Only 25 novel superfamilies could be confirmed. Although most models map to existing superfamilies, AF2 domains expand CATH by 67% and increases the number of unique ‘global’ folds by 36% and will provide valuable insights on structure function relationships. CATH-Assign will harness the huge expansion in structural data provided by DeepMind to rationalise evolutionary changes driving functional divergence. A new protein domain classification protocol incorporating deep learning strategies for detecting sequence and structure similarities between domain is used to systematically study and analyse the predicted AlphaFold2 structural models for proteins of 21 organisms.
登录
查看更多内容
影响因子：
14.9
作者：
Sillitoe I;Cuff AL;Dessailly BH;Dawson NL;Furnham N;Lee D;Lees JG;Lewis TE;Studer RA;Rentzsch R;Yeats C;Thornton JM;Orengo CA
通讯作者：
Orengo CA
影响因子：
4.6
作者：
通讯作者：
--
影响因子：
14.9
作者：
Lees JG;Lee D;Studer RA;Dawson NL;Sillitoe I;Das S;Yeats C;Dessailly BH;Rentzsch R;Orengo CA
通讯作者：
Orengo CA
影响因子：
64.8
作者：
Jumper J;Evans R;Pritzel A;Green T;Figurnov M;Ronneberger O;Tunyasuvunakool K;Bates R;Žídek A;Potapenko A;Bridgland A;Meyer C;Kohl SAA;Ballard AJ;Cowie A;Romera-Paredes B;Nikolov S;Jain R;Adler J;Back T;Petersen S;Reiman D;Clancy E;Zielinski M;Steinegger M;Pacholska M;Berghammer T;Bodenstein S;Silver D;Vinyals O;Senior AW;Kavukcuoglu K;Kohli P;Hassabis D
通讯作者：
Hassabis D
Biopython：用于计算分子生物学和生物信息学的免费 Python 工具。
DOI：
10.1093/bioinformatics/btp163
发表时间：
2009-06-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Cock PJ;Antao T;Chang JT;Chapman BA;Cox CJ;Dalke A;Friedberg I;Hamelryck T;Kauff F;Wilczynski B;de Hoon MJ
通讯作者：
de Hoon MJ