Uncovering distinct protein conformations using coevolutionary information and AlphaFold
本文介绍了一种利用共进化信息和残基特异性频率的迭代采样框架，该框架能够高效地生成多样且高质量的独特蛋白质构象系综，在表征构象转换蛋白的结构景观方面显著优于现有方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
将蛋白质想象成微小的、能够变换形状的折纸小人。通常，科学家使用一种名为 AlphaFold 的超级智能 AI 来预测这些小人在折叠后的样子。但问题在于：有些蛋白质不仅仅只有一种形状。它们就像神奇的折纸，可以为了完成不同的任务而完全改变设计，就像一把瑞士军刀可以变成帐篷或小船一样。
挑战在于弄清楚这些蛋白质可以呈现的所有不同形状，尤其是当我们不知道它们原本应该与谁配合（它们的“伙伴”）时。
旧方法：盲目投掷飞镖
以前，科学家试图通过观察相似蛋白质的庞大家族树（称为多序列比对）来猜测这些不同的形状。他们的方法有点像是在试图从一个凌乱的衣橱里寻找一件特定的衣服，通过随机抽取物品或者仅仅是将相似的衣架归为一类。这种方式效率低下，就像蒙着眼睛向靶盘投掷飞镖，因为它并不真正理解蛋白质的不同部分是如何相互“交流”的。
新方法：聪明的侦探
这篇论文介绍了一种新的、更聪明的侦探方法。它不再是随机猜测，而是构建了一个这样的系统：
- 倾听线索： 它观察蛋白质的不同部分是如何随着时间的推移而共同进化的。这就像是注意到在一个家族中，如果父亲有一双蓝眼睛，孩子们通常也会有。该系统利用这些“协同进化模式”来了解蛋白质的哪些部分是相互连接的。
- 像循环一样迭代： 它不仅仅看一次；它不断地完善搜索过程，系统地探索可能性的“衣橱”，以找到最佳选项。
- 寻找灵活之处： 它专门识别出那些允许蛋白质改变形状的“摇摆”部位，同时忽略掉那些保持不变的刚性部分。
结果：一本完美的相册
最终的结果是一个高质量的照片集（一个“系综”），展示了蛋白质穿着所有不同服装的样子。当研究人员将这种方法应用于已知会变换形状的蛋白质时，该方法找到了比旧方法多得多的正确形状。
简而言之，这篇论文为科学家提供了一张更好的地图，让他们去探索单个蛋白质所能经历的多种不同人生，而无需知道它具体在做什么或正在与谁交谈。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。