蛋白质结构预测

蛋白质结构预测（Protein Structure Prediction）是一项利用计算方法预测蛋白质分子的三维结构的技术。由于蛋白质的功能很大程度上依赖于其三维结构，预测其结构对理解生物过程、药物设计等领域具有重要意义。然而，实验确定蛋白质结构（如X射线晶体学、核磁共振等方法）耗时费力，因此计算预测成为重要替代方法。

蛋白质结构预测的主要方法

同源建模（Homology Modeling）基于序列相似性的蛋白质结构预测方法，通过已知的同源蛋白质结构（模板）预测目标蛋白质结构。

适用性：适用于与已知结构具有高序列相似性的蛋白质。
优点：在模板可用的情况下准确度较高。
缺点：无法处理没有已知同源蛋白的情况。

折叠识别（Fold Recognition）或“线程法”（Threading）利用已知结构的蛋白质折叠类型，对目标蛋白质序列“穿线”到这些结构中以找到最佳匹配。

适用性：适用于序列相似性较低但折叠类型相似的蛋白质。
优点：不需要高序列相似性，适用于有类似结构的情况。
缺点：精度不及同源建模，对未知折叠类型的蛋白质无效。

从头建模（De Novo Modeling）从头建模通过物理化学规则模拟蛋白质的折叠过程，从而预测其三维结构。

适用性：适用于没有已知结构或同源序列的蛋白质。
优点：适用范围广，特别是对新发现的蛋白质。
缺点：计算量大，预测精度难以保证，尤其是对于较大蛋白质。

深度学习在蛋白质结构预测中的应用

近年来，深度学习极大推动了蛋白质结构预测的发展。尤其是AlphaFold等模型在2020年和2021年的突破性进展，使得预测精度显著提高。

AlphaFold：由DeepMind开发，利用进化数据和神经网络直接预测蛋白质的三维结构。在蛋白质结构预测领域的竞赛（CASP）中，AlphaFold的表现几乎接近实验精度。AlphaFold 2更是开创性地引入了注意力机制，将预测准确性提升到新的水平。
RoseTTAFold：由华盛顿大学开发，也采用深度学习技术，以更快的速度和较高的精度进行蛋白质结构预测。