蛋白質是生命所必需的，理解它們的結構可以促進對其功能的機械性理解。幾十年來，研究人員使用x射線晶體學和低溫電子顯微鏡等實驗技術來確定蛋白質結構。但是這些方法既耗時又昂貴，而且有些蛋白質不適合此種技術分析。經過科學家們巨大的努力，到目前，大約有10萬種蛋白確定了三維結構，但這只是數十億已知蛋白質序列中的一小部分。要確定一個單一的蛋白質結構，用傳統的方法需要花費數月甚至數年的艱苦努力，這阻礙了蛋白質結構解析的覆蓋。需要精確的計算方法來解決這一差距，并使大規模的結構生物信息學成為可能。僅根據蛋白質的氨基酸序列預測其三維結構，即蛋白質折疊的結構預測問題，是50多年來一個重要的開放式研究問題。盡管最近取得了一些進展，但現有的方法還遠遠不能達到原子的精度，特別是在沒有同源結構的情況下。

近日，先后在Nature和Science雜志上發表的兩篇關于蛋白質結構深度預測的文章，讓科學家大受鼓舞。

7月15日，總部位于倫敦的DeepMind公司發布了其深度學習神經網絡AlphaFold 2的開源版本，并在《自然》雜志的一篇論文中描述了其方法（Jumper, J.et al. Nature https://doi.org/10.1038/s41586-021-03819-2 (2021）。DeepMind去年在科學界掀起了軒然大波，它展示了自己的軟件僅通過蛋白質序列(由DNA決定)就能準確預測許多蛋白質的結構。研究人員已經為這項挑戰工作了幾十年，AlphaFold 2在兩年一次的蛋白質預測活動CASP中表現非常好，該比賽的聯合創始人甚至宣稱，“在某種意義上，問題已經解決了”。

與此同時，受AlphaFold 2的啟發，一個學術團隊開發了自己的蛋白質預測工具，這款工具已經在科學家中越來越受歡迎。該系統被稱為RoseTTaFold，性能幾乎和AlphaFold 2一樣好，并在7月15日發表在《科學》雜志上的一篇論文中（Baek, M. et al.Science  https://doi.org/10.1126/science.abj8754 (2021).）進行了描述。

基于人工智能的策略精準預測蛋白質的3D結構正變得成熟。科學家將廣泛使用能精確測定蛋白質3D形狀的軟件。

隨著高通量測序技術的不斷發展與完善,單組學研究也日趨成熟與完善,而整合多組學數據研究疾病靶點的工作方興未艾。近年來隨著新技術的不斷涌現，加快了多組學研究向定量化，高通量的發展，特別是在單細胞層次研究基因組學、轉錄組學、蛋白質組學和代謝組學，已成為人們發現生命化學物質基礎和深入了解其分子機制的新方向。通過對多組學數據的整合分析，有利于系統性地研究臨床發病機理、確認疾病靶點，發現生物標志物與進行疾病早期診斷，從而對個體化治療和用藥指導發揮重要作用。

為協助您更好的進行科學研究，2021年7月27日（周二）20:00-21:00，金開瑞特推出《多組學關聯分析 》線上直播課，歡迎各位老師掃碼進入直播間一起交流學習！

 

 

掃碼觀看直播

點擊立即預約，直播前五分鐘會有開播提醒

 

 文章來源：

https://www.nature.com/articles/d41586-021-01968-y