Das erste Mal, wenn ein Labor eine Proteinstruktur auf einem Laptop vorhersagt, ist die Antwort in der Regel vorsichtig optimistisch. Ein Absolvent schlägt eine Aminosäurefolge in einen Webserver ein, wartet ein paar Minuten bis eine Stunde und erhält ein dreidimensionales Modell mit farbcodierten Vertrauenspunkten. Das Modell sieht aus wie eine echte Struktur: Alpha-Helix, Beta-Blätter und Schleifen, die sich in eine plausible aktive Stelle verwickeln. Es trägt auch eine Zahl, die die Teile trennt, um zu vertrauen, von den Teilen, die ignoriert werden. Diese Zahl, der vorhergesagte lokale Distanzunterschiedstest oder pLDDT, ist zu einem der am meisten gelesenen Werte in der Strukturbiologie geworden. Vor fünf Jahren hatten die meisten Bench-W

Berechnungsmethoden zur Vorhersage der molekularen Struktur sind nicht neu. Homologie-Modellierung, Threading, Fragmentmontage und molekulare Dynamik werden seit Jahrzehnten eingesetzt. Was sich verändert hat, ist Genauigkeit und Zugang. Deep-Learning-Modelle, die eine Falte als Mustererkennungsproblem behandeln, kamen bei der CASP14-Bewertung im Jahr 2020 mit Kraft, als AlphaFold2 Vorhersagen für einen großen Teil der Ziele nahe an experimenteller Genauigkeit produzierte. In den folgenden Monaten erlangten Labore eine glaubwürdige strukturelle Hypothese, bevor sie das Protein reinigten, bevor sie kristallisierten und manchmal bevor die Gene-Synthese-Ordnung sogar abgeschlossen wurde.

Von der Sequenz zur Struktur: Wie Prognosemodelle funktionieren

Proteine werden aus Ketten von Aminosäuren gebaut, und die meisten werden in eine bevorzugte dreidimensionale Form gefaltet, die bestimmt, wie sie andere Moleküle binden, Reaktionen katalysieren, Ionen bewegen und auf Signalpartner reagieren. Ein Modell kann die Physik des Fällens für jedes Protein noch nicht lösen, so dass die besten Werkzeuge eine statistische Abkürzung nehmen. Sie scannen Sequenzen von Tausenden verwandter Organismen und suchen nach Positionen, die sich zusammen ändern. Dieses Ko-Evolutionssignal zeigt Reste an, die in drei Dimensionen sitzen, auch wenn sie in der Sequenz weit voneinander getrennt sind.

Deshalb haben sich AlphaFold2 und seine Verwandten so schnell verbessert: Das Wachstum der Proteinsequenzdatenbanken gab ihnen mehr evolutionäre Daten. Für Proteine mit tiefen Sequenzanpassungen kann die Vorhersage scharf sein. Für verwaiste Proteine oder synthetische Sequenzen mit wenigen Verwandten hat das Modell weniger Beweise und die Vertrauenswürdigkeiten fallen. Die Ausgabe ist daher keine einzige Antwort.

Die Werkzeuge, die jetzt in Laborprotokollen erscheinen

AlphaFold2 bleibt für viele Protein-außerordentliche Aufgaben standardmäßig, da seine zugrunde liegende Methode klar beschrieben ist und seine Vorhersagen leicht zu erhalten sind.AlphaFold2 Methode Papier in der NaturEntdecken Sie die Architektur und dieAlphaFold Proteinstruktur DatenbankRoseTTAFold, entwickelt an der University of Washington, verwendet ein dreistreckiges Netzwerk, das Koordinaten mit niedrigeren Berechnungskosten vorhersagt und über das Programm verfügbar ist.Roboter ServerESMFold von Meta AI prognostiziert Strukturen schnell aus einzelnen Sequenzen und nicht aus Ausrichtung, was zum metagenomischen Screening passt; sein Ansatz wird inWissenschaftAlphaFold3 erweitert die Aufgabe auf Protein-DNA, Protein-RNA, Protein-Small-Molecule-Komplexe und post-translationell modifizierte Proteinformen.

Kein einzelnes Werkzeug ist für jedes Problem am besten.Ein Labor, das ein konserviertes Enzym untersucht, benötigt möglicherweise nur AlphaFold2. Eine Metagenomics-Gruppe, die Millionen von Fragmenten bearbeitet, kann ESMFold für Geschwindigkeit bevorzugen.

Was ändert sich, wenn eine Struktur vor dem Experiment ankommt

Die unmittelbarste Veränderung liegt im Konstruktionsdesign. Kristallografen und Cryo-EM-Forscher haben traditionell flexible Schleifen oder Endregionen durch Versuch und Irrtum entfernt, weil unstrukturierte Regionen Gitterkontakte verhindern oder die Partikelausrichtung erschweren. Ein vorhersehbares Modell mit Per-Rest-Zuversicht kann diese Regionen identifizieren, bevor ein einziges Milligramm Protein produziert wird. Membranprotein-Labors verwenden Vorhersagen, um Trunkationen zu wählen, die sich besser in Reinigungsmitteln oder Nanodischen ausdrücken können. Die gesparte Zeit ist nicht theoretisch; es wird in Wochen fehlgeschlagener Expressionstests gemessen.

Vorhergesehene Modelle beschleunigen auch die experimentelle Strukturbestimmung. Im molekularen Austausch kann ein vorhergesehenes Modell als Suchmodell dienen, wenn keine experimentellen Homologen verfügbar sind. In cryo-EM hilft das Verknüpfen einer Vorhersage in eine Karte mit bescheidener Auflösung, die Polypeptidkette schneller zu verfolgen als das Bauen von Grund auf. Zeitschriften und Datenbanken haben sich parallel angepasst: Es wird nun erwartet, dass die Protein-Datenbank-Depositoren angeben, ob AlphaFold oder ähnliche Modelle im Modellbau verwendet wurden.

Lesen Sie die Vertrauenswerte, bevor Sie dem Modell vertrauen

Die farbigen Vertrauensplots sind der erste Bildschirm. pLDDT läuft von 0 bis 100; Regionen über 90 sind im Allgemeinen auf der Wirbelsäulenebene zuverlässig, während Regionen unter 50 als unstrukturiert oder unsicher behandelt werden sollten. Für Komplexe zeigt der prognostizierte Ausgleichsfehler oder PAE an, ob die relative Position zweier Domains durch Beweise unterstützt wird. Ein niedriger PAE zwischen zwei Regionen bedeutet, dass das Modell über ihre relative Orientierung zuversichtlich ist; ein hoher PAE bedeutet, dass die gemeinsame Position eine Vermutung ist.

Forscher sollten dem Instinkt widerstehen, einen globalen Vertrauenswert als Erlaubnis zu behandeln, die Überprüfung zu beenden. Ein Modell kann über einen gefalteten Kern und falsch über eine aktive Standortschleife sein, die für die Katalysen wichtig ist. Der praktische Schritt besteht darin, zuerst die Pro-Rest-Score zu lesen, dann die Biologie zu überprüfen: Ist die vorhergesagte Tasche mit bekannten funktionellen Resten übereinstimmend? bilden Disulfidbindungen zwischen Zysteinrückständen, die oxidiert werden sollten?

• Überprüfen Sie pLDDT und PAE, bevor Sie eine Region in einer Funktionsanforderung verwenden.
• Vergleichen Sie die Vorhersage mit experimentellen Daten aus kleinwinkeligen Röntgenstrahlenverstreuung, kreisförmigen Dichroismus, Cryo-EM-Karten oder Wasserstoff-Deuterium-Austausch, wenn verfügbar.
• Bestätigen Sie kritische Rückstände durch Mutagenese oder bindende Tests, bevor Sie Schlussfolgerungen ziehen.
• Behandeln Sie Ligand-Docking-Positionen aus vorhersehbaren Modellen als Hypothesen, nicht als gemessene Affinitäten oder Bindemodi.

AlphaFold3 und das Problem der Interaktion

Der nächste praktische Test für die Vorhersage der molekularen Struktur ist nicht ein weiterer Protein-Pack, sondern ein Komplex: ein Transkriptionsfaktor auf DNA, ein Antikörper auf ein Antigen, eine Kinase mit einem kleinen Molekül-Hemmer oder ein Virusspike-Protein mit seinem Rezeptor.Natur im Jahr 2024Es kann plausible Modelle von Protein-Ligand, Protein-Nukleinsäure, Protein-Protein und Antikörper-Antigen-Assemblies ohne Vorlage produzieren.

AlphaFold3 ist kein thermodynamisches Modell; es misst keine bindende Affinität und kann Ligandpositionen in Taschen halluzinieren, die nur teilweise gebildet werden. Die praktische Verwendung innerhalb eines Labors besteht darin, Ideen zu generieren, einen Bildschirm zu verengen oder medizinische Chemie zu leiten. Die experimentelle Bestätigung muss immer noch stattfinden und dauert in der Regel länger als die Vorhersage.

Die Grenzen, die ein Bench-Wissenschaftler bemerkt

Vorhersage-Tools sind weniger zuverlässig für intrinsisch unordentliche Regionen, flexible Schleifen, Membranprotein-Topologie in einer Lipid-Dilayer-Umgebung und Proteine, die Co-Faktoren oder post-translational Modifikationen benötigen, um zu Falten. Sie modellieren die Dynamik nicht gut: Eine statische Struktur kann keine konformativen Veränderungen, Allosterie, die Wirkung einer Mutation auf Stabilität oder Bindekinetik zeigen. Eine vorhergesagte Struktur eines intrinsisch unordentlichen Proteins erscheint oft als eine erweiterte Kette mit niedrigem pLDDT. Das ist kein Modellversagen.

Ein-Punkt-Mutationen sind eine damit verbundene Herausforderung. Die meisten Modelle rangieren nicht konsequent, welche Variante ein Protein destabilisieren wird, und sie sind nicht geschult, um Temperaturempfindlichkeit oder Aggregation vorherzusagen.Wenn ein Labor fragt, welche der 20 Substitutionen Funktion brechen wird, antwortet das Modell oft mit zu breiten Vertrauensintervallen.

Validierung bleibt Laborarbeit

Eine Strukturvorhersage für ein neues Protein kann in einem Nachmittag erzeugt werden, aber festzustellen, dass das Modell sinnvoll ist, kann Monate dauern: das Protein zu reinigen, seinen oligomeren Zustand zu messen, eine Bindungsstelle mit Mutanten zu untersuchen oder eine niedrigauflösende Cryo-EM-Karte zu sammeln.

In der Praxis wird ein Labor Methoden kombinieren. Eine Vorhersage kann eine Konstruktion rechtfertigen. Eine Cryo-EM-Karte kann die Gesamtfällung bestätigen. Ein Wasserstoff-Deuterium-Austausch-Experiment kann prüfen, welche Regionen flexibel sind. Ein Mutagenese-Panel kann einen Rückstand an Aktivität binden. Das Modell tritt in diesen Workflow als ein Beweisstück ein, nicht als Ersatz für die anderen.

Die Frage, die Labors im zweiten Jahr stellen werden, ist einfach und unbequem: Haben wir aufgehört, das langsame Experiment zu tun, weil das Modell gut war, oder weil das Modell einfach war?Die Antwort wird je nach Protein, nach Labor und nach Budget variieren.Bessere Tools können den Abstand zwischen einer Sequenz und einer Struktur verkürzen.

Photo by Stephan HK on Unsplash