01

文章背景简介   

BACKGROUND INTRODUCTION

科学家们长期认为蛋白质的形状决定了其功能。只要了解蛋白质的形状，就能猜测其在细胞中的作用，并且开发出与其形状相关的药物。因此，研究人员通过冷冻电镜、核磁共振、X射线等多种手段来确定蛋白质的形状。这一过程不仅繁琐而且成本高昂。为此，CASP(Critical Assessment of protein Structure Prediction)大赛应运而生。2020年，随着AI技术的发展，Deepmind公司的AlphaFold2在CASP中横空出世，有望解决这一困扰研究人员多年的难题。

为了探究合成全新蛋白质算法的准确度，2021年7月，华盛顿大学生物学家大卫·贝克（David Baker）团队研发的RoseTTAFold构建了一种“三轨（three-track）”神经网络，能在十几分钟之内解析给定序列的三维结构。2023年7月，该团队成功获得了一个蛋白质骨架生成模型（generative model），并且通过实验表征和电镜验证后，证明了该模型的可靠性，完成了真正意义上的蛋白质从头设计（de novo protein design），并且在《Nature》杂志（IF=64.8，Q1）上发表了题为“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、冷冻电镜

4、圆二色光谱

5、尺寸排阻色谱

03

文章主要内容摘要

ABSTRACT 

对于蛋白质设计的软件来说，最终需要建立可视化的蛋白质三维结构，为达成这一目标，该团队使用了去噪扩散概率模型（Denoising Diffusion Probabilistic Model，DDPM）对已知的蛋白结构模型进行学习并且根据所需条件引导该模型生成目标蛋白。遗憾的是，无论是生成全新的蛋白质还是二级结构，最终结果与实验数据大相径庭。

该团队在DDPM中加入了RoseTTAFold（RF），不仅能够生成高精度的蛋白质结构，以具有旋转等变性的残基的刚性框架表示，并且具有能够在单个残基、残基间距离和方向以及3D坐标水平上对设计规格进行调节的体系结构。首先，对RF进行了微调，一步完成围绕输入的功能基序的蛋白质骨架。实验结果表明，该方法可以以原子精度支持广泛的蛋白质功能基序，但该方法只能接收精确的指令，对于给定的问题只能产生有限的设计多样性。最终，该团队通过算法优化，建立了RFdiffusion模型，并且利用PDB数据库进行深度学习。

图1强调了RF结构预测和RF扩散去噪步骤之间的相似之处：在这两种情况下，根据模型的输入条件将坐标转换为预测结构。在RF中，输入蛋白序列，并提供额外的结构信息作为模板和模型的初始坐标。在RF扩散中，主要的输入是上一步得到的加噪坐标。对于特定的设计任务，可以提供一系列辅助条件信息，包括部分序列、折叠信息或固定的功能模体坐标。

该实验获得了一个蛋白质骨架的生成模型，该模型在无条件和拓扑受限的蛋白质单体设计、蛋白质粘合剂设计、对称寡聚物设计、酶活性位点支架和对称基序支架用于治疗性和金属结合蛋白设计方面取得了出色的性能。通过实验表征数百种设计的对称组装体、金属结合蛋白和蛋白粘合剂的结构和功能，证明了该方法的威力和通用性，称为Rose TTAFold diffusion ( RF diffusion )。

用RFdiffusion方法解决的问题的广度和复杂性以及和精确性远远超过了以前的结果。与从文本提示生成图像的方式类似，RFdiffusion使得用最少的专业知识从最小的分子规格(例如,对用户指定的目标蛋白质具有高亲和力的粘合剂,以及来自用户指定对称性的各种蛋白质组装体)生成功能蛋白成为可能。将RF扩展到包含配体，同样可以使RFdiffusion扩展到显式地模拟配体原子，并允许设计蛋白质-配体相互作用。通过添加外部势能和微调来定制RF扩散以应对特定设计挑战的能力，以及对基础方法的持续改进，应该能够使从头设计的蛋白质设计达到更高的复杂性水平，以接近并在某些情况下超过自然进化所取得的成就。

简而言之，本研究的主要内容有:

1、获得了一个蛋白质骨架的生成模型

2、该模型在无条件和拓扑受限的蛋白质单体设计、蛋白质粘合剂设计、对称寡聚物设计、酶活性位点支架和对称基序支架用于治疗性和金属结合蛋白设计方面取得了出色的性能。

3、将RF扩展到包含配体，同样可以使RF扩散扩展到显式地模拟配体原子，并允许设计蛋白质-配体相互作用。

       原文标题 : 用RoseTTAFold设计全新结构与功能的蛋白质