基于人工智能的方法挑战了传统的蛋白质结构观点
作者：by Cooper Allen, University of Virginia
最近一段时间，在发表文章中自然通讯，，一个团队提供了一种基于人工智能的方法来探索蛋白质宇宙中的结构相似性和关系。该团队成员包括弗吉尼亚大学的人员——其中包括数据科学学院院长Phil Bourne、该校高级科学家Cam Mura以及最近从UVA毕业的校友Eli Draizen。
他们的研究挑战了传统的观念关于蛋白质建立结构关系（即相似性和差异性的模式），并通过这种方式识别出许多传统方法所遗漏的细微关系。
具体而言，作者报告了以下内容：计算框架能够以新颖、灵活和细致的方式，在大规模（跨越众多蛋白质）上检测和量化这样的蛋白质关系，这种方法结合了基于深度学习的方法与一种名为Urfold的新概念模型，该模型允许两个拓扑结构或“折叠”不同但具有架构相似性的蛋白质之间表现出相似性。
伯恩、穆拉和德拉伊zen与斯特拉·维尔特尼克合作完成了该项目。所有作者都是伯恩及穆拉计算生物科学实验室的成员，该实验室隶属于数据科学学院以及弗吉尼亚大学生物医学工程系。
该出版物是伯恩实验室多年工作的结晶，他们开发了一种名为DeepUrfold的人工智能框架，以系统地和大规模地探索Urfold结构关系理论。
使用DeepUrfold，Bourne实验室团队检测到了蛋白质宇宙中那些在进化上或其他方面被认为无关的蛋白质之间微弱的结构关系。
在捕捉和描述这些遥远关系时，DeepUrfold 从“社区”的角度看待蛋白质之间的关系，并避免了将蛋白质分类为彼此不重叠的单独类别的传统方法。综合来看，这些新的方法论可能会推动研究人员超越静态、几何意义上的蛋白质相似性思维，转向更加整合的方法。
伯恩，数据科学学院的创始院长，因其包括结构生物信息学在内的研究而在科学界享有盛誉。计算生物学更广泛地说。在他的职业生涯早期，他共同领导了RCSB蛋白数据银行的开发，这是一个充满价值的蛋白质结构信息宝库，帮助革命化了该领域，并为当代人工智能进展如AlphaFold铺平了道路。
默拉，兼任弗吉尼亚大学数据科学学院和生物医学工程系的职务，拥有丰富的结构生物学和计算生物学背景，包括基于RNA系统的生化和晶体学研究以及DNA分子物理学的研究。他看待生物学系统通过分子进化的眼光来探索这些领域与数据科学的交汇点。
德雷赞获得了博士学位在生物医学工程毕业于弗吉尼亚大学，在伯恩的指导下学习，目前担任加利福尼亚大学旧金山分校计算生物学的博士后学者。Veretnik 是弗吉尼亚大学的一名资深研究科学家，专注于计算生物学以及蛋白质折叠的结构、功能和进化。
更多信息：Eli J. Draizen等，深度生成模型揭示蛋白质结构连续折叠空间中的远距离关系自然通讯 (2024). DOI: 10.1038/s41467-024-52020-2
引用基于人工智能的方法挑战了人们对蛋白质结构的传统观点（2024年10月10日） 检索于2024年10月11日 从 https://phys.org/news/2024-10-ai-driven-approach-traditional-views.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可不得复制任何部分。内容仅用于提供信息之目的。
暂无评论