Ins and outs of AlphaFold2 transmembrane protein structure predictions.
Ins and outs of AlphaFold2 transmembrane protein structure predictions.
复制标题
Alphafold2跨膜蛋白结构预测的INS和出现。
DOI：
10.1007/s00018-021-04112-1
复制
发表时间：
2022-01-15
期刊：
影响因子：
--
通讯作者：
Farkas B
中科院分区：
文献类型：
--
作者：
Hegedűs T;Geisler M;Lukács GL;Farkas B
跨膜蛋白是主要的药物靶点，但其结构的确定，合理的药物设计的先决条件，仍然具有挑战性。最近，DeepMind的AlphaFold 2机器学习方法极大地扩展了序列的结构覆盖范围，具有高准确性。由于所采用的算法没有考虑TM蛋白的特定性质，因此应评估生成的TM结构的可靠性。因此，我们定量研究了在基因组规模的结构的质量，在ABC蛋白超家族折叠的水平和特定的膜蛋白（例如，二聚体建模和分子动力学模拟的稳定性）。我们用具有挑战性的TM CASP 14靶标和AlphaFold 2训练后发表的几种TM蛋白结构测试了无模板结构预测。我们的研究结果表明，AlphaFold 2在TM蛋白的情况下表现良好，其神经网络不会过度拟合。我们的结论是，AlphaFold 2结构模型的谨慎应用将以意想不到的水平推进TM蛋白相关研究。在线版本包含补充材料，可通过10.1007/s 00018 -021-04112-1获得。
Transmembrane (TM) proteins are major drug targets, but their structure determination, a prerequisite for rational drug design, remains challenging. Recently, the DeepMind’s AlphaFold2 machine learning method greatly expanded the structural coverage of sequences with high accuracy. Since the employed algorithm did not take specific properties of TM proteins into account, the reliability of the generated TM structures should be assessed. Therefore, we quantitatively investigated the quality of structures at genome scales, at the level of ABC protein superfamily folds and for specific membrane proteins (e.g. dimer modeling and stability in molecular dynamics simulations). We tested template-free structure prediction with a challenging TM CASP14 target and several TM protein structures published after AlphaFold2 training. Our results suggest that AlphaFold2 performs well in the case of TM proteins and its neural network is not overfitted. We conclude that cautious applications of AlphaFold2 structural models will advance TM protein-associated studies at an unexpected level. The online version contains supplementary material available at 10.1007/s00018-021-04112-1.
登录
查看更多内容
影响因子：
14.9
作者：
Dobson L;Reményi I;Tusnády GE
通讯作者：
Tusnády GE
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
影响因子：
64.8
作者：
Harris CR;Millman KJ;van der Walt SJ;Gommers R;Virtanen P;Cournapeau D;Wieser E;Taylor J;Berg S;Smith NJ;Kern R;Picus M;Hoyer S;van Kerkwijk MH;Brett M;Haldane A;Del Río JF;Wiebe M;Peterson P;Gérard-Marchant P;Sheppard K;Reddy T;Weckesser W;Abbasi H;Gohlke C;Oliphant TE
通讯作者：
Oliphant TE
影响因子：
2.9
作者：
Del Alamo D;Govaerts C;Mchaourab HS
通讯作者：
Mchaourab HS
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