Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data

蛋白质结构预测模型现在已经能够仅从序列生成准确的3D结构假设。然而，这些模型通常无法捕捉动态生物分子复合物的构象多样性，往往需要通过启发式的多序列比对（MSA）子采样方法来生成替代状态。与此同时，冷冻电子显微镜（cryo-EM）已发展为一种强大的工具，用于成像接近天然状态的结构异质性，但其从原始实验数据到原子模型的过程面临着复杂而艰巨的管道挑战。在此，我们弥合了这两种模式之间的差距，将cryo-EM密度图与蛋白质结构预测模型所学习到的丰富序列和生物物理先验知识相结合。我们的方法CryoBoltz利用从密度图中提取的整体和局部结构约束，引导预训练蛋白质结构预测模型的采样轨迹，从而推动预测结果趋向与实验数据一致的构象状态。我们证明了这种灵活且强大的推理时方法使我们能够在包括转运蛋白和抗体在内的各种动态生物分子系统中，将原子模型构建到异质的cryo-EM密度图中。

本论文试图解决蛋白结构预测模型在处理动态生物分子复合物时无法捕捉构象多样性的问题，以及cryo-EM技术从实验数据生成原子模型的复杂性问题。这是一个重要且未完全解决的问题，尤其是在解析动态蛋白质系统的结构方面。

论文提出了一种名为CryoBoltz的方法，结合了预训练的蛋白结构预测模型和cryo-EM密度图中的全局与局部结构约束。通过这种方式，该方法能够引导模型生成与实验数据一致的构象状态。相比传统的MSA子采样方法或单独依赖cryo-EM重建，CryoBoltz提供了一种更灵活、更强大的推断时间方法。

1. CryoBoltz成功应用于多种动态生物分子系统（如转运蛋白和抗体），展示了其广泛适用性；2. 方法利用了预训练模型的序列和生物物理先验知识，同时结合实验数据进行优化；3. 论文未明确提及开源代码，但其方法设计为其他研究者提供了可复现的框架；4. 值得进一步研究的方向包括如何扩展到更低分辨率的cryo-EM数据和更大规模的蛋白质复合物系统。

近期相关研究包括：1. AlphaFold2及其变体，专注于从序列预测高精度静态蛋白结构；2. RoseTTAFold，另一种高效的蛋白结构预测工具；3. cryoDRGN，一种基于深度生成网络的方法，用于从cryo-EM数据中建模异质性；4. 'Integrative Modeling of Cryo-EM Maps Using Rosetta'，探索Rosetta软件在整合cryo-EM数据中的应用。