AlphaFold3 and Intrinsically Disordered Proteins: Reliable Monomer Prediction, Unpredictable Multimer Performance
这项研究表明，尽管 AlphaFold3 通过从训练数据中学习，能够可靠地预测本质无序单体，但由于刚性结构先验覆盖了输入信息，其多聚体预测仍具有不可预测性，这凸显了对富含无序数据集和系综采样而非仅仅是架构创新的迫切需求。
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
蛋白质是生命的劳动力，它们是微小的机器，构建细胞、对抗感染，并执行维持我们生命的化学反应。几十年来，科学家们一直认为，为了发挥功能，这些分子必须折叠成单一、刚性的三维形状，就像钥匙契合锁一样。然而，自然界比这更具灵活性。我们体内很大一部分蛋白质，特别是在人类等复杂生物体中，是本质无序的（intrinsally disordered）。这些并不是折叠错误的失误；它们是按功能设计的。它们在遇到伙伴之前保持松散和无定形，而在遇到伙伴时，它们可能会收缩成特定的形状以履行职责，或者保持灵活性以充当系绳或信号。理解这些形状变化的分子如何运作对于医学至关重要，因为它们的失调与从癌症到神经退行性疾病的一系列疾病有关。
长期以来，预测这些松散蛋白质的形状一直是计算机面临的主要障碍。随后，人工智能领域出现了一项突破，即 AlphaFold。2021 年发布的第一个版本通过预测刚性蛋白质的形状，实现了近乎完美的准确度，彻底改变了该领域。2024 年，新版本 AlphaFold3 问世，它配备了一个完全重新设计的引擎，有望处理更复杂的生物学谜题，包括蛋白质之间如何相互作用。但一个关键问题仍悬而未决：这个更强大、更先进的新机器是否真的变得更擅长处理构成我们如此多生物学基础的那些松散、无序的蛋白质，还是仅仅延续了其前任的局限性？
一组研究人员试图通过让 AlphaFold3 接受一项专门针对无序系统设计的严格测试来回答这个问题。他们不仅观察单个蛋白质，还研究了这些分子在试图抓住其他蛋白质时如何表现，这一过程通常涉及折叠与展开的混沌舞蹈。研究人员收集了大量的真实世界蛋白质复合物，其中许多已在实验室中被解析，但并不属于该计算机在训练期间所见的数据。然后，他们要求计算机预测这些相互作用的形状，并将结果与已知的实验结构进行对比。
研究结果揭示了一个截然不同的两个世界的故事。当计算机观察单个、孤立的蛋白质时，它的表现非常可靠。新系统可以准确识别蛋白质的哪些部分是松散的，哪些是刚性的，其性能与旧版本相当，并能与专门为此目的构建的工具相媲美。这表明，识别无序的能力并非特定计算机架构的技巧，而是从系统训练所用的庞大生物数据库中习得的技能。如果一个蛋白质天生是松散的，计算机就会知道。
然而，当研究人员要求计算机预测这些蛋白质在成对或更大群体中如何相互作用时，情况发生了剧变。在这里，新系统并未表现出优于旧系统的明显改进。虽然预测的平均质量相似，但计算机得出这些答案的方式有着本质的不同，并且在某些方面更加难以预测。研究人员发现，对于旧系统，我们可以通过观察相互作用中的简单物理特征（例如蛋白质覆盖了多少表面积或接触点处有多少无序度）来解释其大部分成功与失败。而对于新系统，这些简单的线索对结果的解释力要小得多。计算机的表现似乎取决于那些更难察觉且更难预测的因素。
研究发现，新系统有时会在旧系统失败的地方取得成功，反之亦然，但这种变化并没有呈现出用户可以轻易预见的连贯模式。在某些情况下，新系统会产生完美的预测，但在另一些情况下，即使物理条件看起来完全一致，它也会彻底失败。研究人员对相同的预测进行了多次运行，并进行了轻微的变化，以观察结果是否会改变。他们发现，对于许多困难案例，系统几乎总是会产生同一个错误的答案，但偶尔也会仅仅由于偶然，撞大运般地发现正确的形状。这意味着，与一个能够持续探索不同可能性的工具不同，新系统经常锁定在单一的结果上，而那个结果并不总是正确的。
尽管存在这些怪癖，新系统在一种特定的挑战场景中展现了实力：即无序蛋白质在结合伙伴后才折叠成固体形状的情况。在这些案例中，新旧版本表现同样出色，都能成功预测最终的稳定结构。这可能是因为在这些案例中，最终形状看起来像是计算机在训练数据中见过数百万次的刚性蛋白质。然而，该系统仍然难以预测在结合发生之前，蛋白质的哪些部分会折叠，哪些会保持松散——而这种能力对于理解这些相互作用是如何开始的至关重要。
研究人员得出结论，虽然这种新的人工智能模型是预测单个蛋白质及其无序区域形状的强大工具，但它尚未解开这些分子在复杂群体中如何相互作用的谜团。其设计的改进并未转化为对多蛋白质系统中无序行为的更好理解。相反，新系统引入了一种不确定性，使得科学家难以判断何时应该信任其输出。这项研究表明，仅仅构建一个更复杂的计算机模型不足以解决这个问题。要真正掌握这些形状变化分子的行为，该领域需要包含更多无序蛋白质实例的训练数据，以及能够捕捉其所有可能形状范围（而非仅仅是单一、最可能形状）的方法。在此之前，科学家在使用这些强大工具时必须保持谨慎，因为对于生物界中最具动态性的部分，答案并不总是像表面看起来那样清晰。
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。