01

文章背景簡介   

BACKGROUND INTRODUCTION

科學家們長期認為蛋白質的形狀決定了其功能。只要了解蛋白質的形狀，就能猜測其在細胞中的作用，并且開發出與其形狀相關的藥物。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)大賽應運而生。2020年，隨著AI技術的發展，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算法的準確度，2021年7月，華盛頓大學生物學家大衛·貝克（David Baker）團隊研發的RoseTTAFold構建了一種“三軌（three-track）”神經網絡，能在十幾分鐘之內解析給定序列的三維結構。2023年7月，該團隊成功獲得了一個蛋白質骨架生成模型（generative model），并且通過實驗表征和電鏡驗證后，證明了該模型的可靠性，完成了真正意義上的蛋白質從頭設計（de novo protein design），并且在《Nature》雜志（IF=64.8，Q1）上發表了題為“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

文章主要內容摘要

ABSTRACT 

對于蛋白質設計的軟件來說，最終需要建立可視化的蛋白質三維結構，為達成這一目標，該團隊使用了去噪擴散概率模型（Denoising Diffusion Probabilistic Model，DDPM）對已知的蛋白結構模型進行學習并且根據所需條件引導該模型生成目標蛋白。遺憾的是，無論是生成全新的蛋白質還是二級結構，最終結果與實驗數據大相徑庭。

該團隊在DDPM中加入了RoseTTAFold（RF），不僅能夠生成高精度的蛋白質結構，以具有旋轉等變性的殘基的剛性框架表示，并且具有能夠在單個殘基、殘基間距離和方向以及3D坐標水平上對設計規格進行調節的體系結構。首先，對RF進行了微調，一步完成圍繞輸入的功能基序的蛋白質骨架。實驗結果表明，該方法可以以原子精度支持廣泛的蛋白質功能基序，但該方法只能接收精確的指令，對于給定的問題只能產生有限的設計多樣性。最終，該團隊通過算法優化，建立了RFdiffusion模型，并且利用PDB數據庫進行深度學習。

圖1強調了RF結構預測和RF擴散去噪步驟之間的相似之處：在這兩種情況下，根據模型的輸入條件將坐標轉換為預測結構。在RF中，輸入蛋白序列，并提供額外的結構信息作為模板和模型的初始坐標。在RF擴散中，主要的輸入是上一步得到的加噪坐標。對于特定的設計任務，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。

該實驗獲得了一個蛋白質骨架的生成模型，該模型在無條件和拓撲受限的蛋白質單體設計、蛋白質粘合劑設計、對稱寡聚物設計、酶活性位點支架和對稱基序支架用于治療性和金屬結合蛋白設計方面取得了出色的性能。通過實驗表征數百種設計的對稱組裝體、金屬結合蛋白和蛋白粘合劑的結構和功能，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雜性以及和精確性遠遠超過了以前的結果。與從文本提示生成圖像的方式類似，RFdiffusion使得用最少的專業知識從最小的分子規格(例如,對用戶指定的目標蛋白質具有高親和力的粘合劑,以及來自用戶指定對稱性的各種蛋白質組裝體)生成功能蛋白成為可能。將RF擴展到包含配體，同樣可以使RFdiffusion擴展到顯式地模擬配體原子，并允許設計蛋白質-配體相互作用。通過添加外部勢能和微調來定制RF擴散以應對特定設計挑戰的能力，以及對基礎方法的持續改進，應該能夠使從頭設計的蛋白質設計達到更高的復雜性水平，以接近并在某些情況下超過自然進化所取得的成就。

簡而言之，本研究的主要內容有:

1、獲得了一個蛋白質骨架的生成模型

2、該模型在無條件和拓撲受限的蛋白質單體設計、蛋白質粘合劑設計、對稱寡聚物設計、酶活性位點支架和對稱基序支架用于治療性和金屬結合蛋白設計方面取得了出色的性能。

3、將RF擴展到包含配體，同樣可以使RF擴散擴展到顯式地模擬配體原子，并允許設計蛋白質-配體相互作用。

       原文標題 : 用RoseTTAFold設計全新結構與功能的蛋白質