编辑 | 萝卜皮
蛋白质复合物结构预测在药物研发、抗体设计等应用中发挥着重要作用,然而由于预测精度有限,预测结果与实验结果经常出现不一致。
北京大学、昌平实验室以及哈佛大学的研究团队提出了 ColabDock,这是一个通用框架,它采用深度学习结构预测模型来整合不同形式和来源的实验约束,而无需进一步进行大规模的再训练或微调。
ColabDock 的表现优于使用 AlphaFold2 作为结构预测模型的 HADDOCK 和 ClusPro,不止在具有模拟残基和表面限制的复杂结构预测中,在借助核磁共振化学位移扰动以及共价标记进行的结构预测中也是如此。
另外,它还可以通过模拟界面扫描限制来帮助抗体-抗原界面预测。
该研究以「Integrated structure prediction of protein–protein docking with experimental restraints using ColabDock」为题,于 2024 年 8 月 5 日发布在《Nature Machine Intelligence》。
蛋白质对接为理解生物机制提供了重要的结构信息。尽管深度模型在蛋白质结构预测方面发展迅速,但大多数模型都是以自由对接的方式进行预测,这可能会导致实验约束与预测结构不一致。
为了解决这个问题,北京大学、昌平实验室等机构的研究团队提出了用于受限复合物构象预测的通用框架——ColabDock,它是一个由稀疏实验约束引导的蛋白质-蛋白质对接的通用框架。
通过梯度反向传播,该方法有效地整合了实验约束的先验和数据驱动的蛋白质结构预测模型的能量景观,自动搜索满足两者的构象,同时容忍约束中的冲突或模糊性。
ColabDock 可以利用不同形式和来源的实验约束,而无需进一步进行大规模重新训练或微调。
该框架包含两个阶段:生成阶段和预测阶段。
在生成阶段,ColabDock 采用了基于 AlphaFold2 开发的蛋白质设计框架 ColabDesign。在 logit 空间中优化输入序列配置文件,以指导结构预测模型根据给定的实验约束和模板生成复杂结构,同时最大化 pLDDT 和 pAE 测量。
在预测阶段,根据生成的复合物结构和给定的模板预测结构。对于每个目标,ColabDock 会执行多次运行并生成不同的构象。最终构象由排序支持向量机 (SVM) 算法选择。
性能稳健
作为概念验证,研究人员采用 AlphaFold2 作为 ColabDock 中的结构预测模型。当然,这里也可以使用其他数据驱动的深度学习模型,例如 RoseTTAFold2 和 AF-Multimer。
研究人员用合成数据集和几种类型的实验约束上测试 ColabDock,包括 NMR 化学位移扰动 (CSP)、共价标记 (CL) 和模拟深度突变扫描 (DMS)。
图示:ColabDock 在验证集上的表现。(来源:论文)
ColabDock 评估了两种类型的约束,即 1v1 和 MvN 约束。前者是残基-残基级别的,实例包括来自 XL-MS 的约束。后者是界面级别的,与 NMR 和 CL 实验有关。
在合成数据集上的测试结果表明 ColabDock 取得了令人满意的性能。此外,正如预期的那样,随着约束数量的增加,ColabDock 的性能也得到了提高。
即使只有很少的限制,ColabDock 在基准数据集和相同的框架设置上的表现也优于 AF-Multimer,并且在提供更多限制的情况下收敛到更少的构象,表明有效应用了附加信息。
图示:在基准测试集上对 ColabDock、HADDOCK 和 ClusPro 进行比较。(来源:论文)
Compared with HADDOCK and ClusPro, ColabDock performs better when the constraint quality is higher. On both experimental datasets, ColabDock still outperforms HADDOCK and ClusPro regardless of the number and quality of constraints provided.
Illustration: Performance and constraint analysis of ColabDock on CSP set. (Source: paper)
Finally, the researchers evaluated the performance of different docking methods on the antibody-antigen data set. ColabDock predicted a much higher proportion of medium or higher quality structures than HADDOCK and ClusPro.
Illustration: Comparison of ColabDock, HADDOCK and ClusPro on the antibody-antigen benchmark set. (Source: paper)
This shows that ColabDock has potential application value in antibody design. Moreover, ColabDock still shows comparable or even better performance than AF-Multimer on the newly released unbiased dataset.
Limitations and Conclusion
ColabDock also has some limitations. Currently, ColabDock can only accept distances smaller than 22 Å, which is determined by the upper limit of the distance map in AlphaFold2. This limitation renders the model applicable to only a small subset of XL-MS reagents.
Without fragment-based optimization, ColabDock can only process complexes of less than 1,200 residues on an NVIDIA A100 graphics processing unit (GPU) due to limited memory.
In addition, this method can be very time-consuming, especially for large protein complexes. Using the bfloat16 floating point format version of AlphaFold2 is expected to help save memory and speed up calculations.
I believe that in the future, after researchers iteratively optimize it, as a unified framework, ColabDock will be able to help bridge the gap between experimental and computational protein science.
Paper link:https://www.nature.com/articles/s42256-024-00873-z
以上是Nature子刊,北大团队通用AI框架对蛋白-蛋白对接进行综合结构预测,弥合实验与计算的差距的详细内容。更多信息请关注PHP中文网其他相关文章!