用于蛋白质结构预测的基于神经网络的模型最近已达到接近实验的准确性，并且正在迅速成为生物学家武器库中的强大工具。正如使用 RoseTTAFold 或 AlphaFold2 的 ColabFold 实现的初步研究所建议的那样，未来一个特别有趣的发展方向将是优化这些计算方法，从而获得蛋白质-蛋白质相互作用的高可信度预测。

瑞典赫丁格卡罗林斯卡学院（Karolinska Institute）的 Luca Jovine 使用 AlphaFold2 和 ColabFold 来研究尿调节蛋白（UMOD）/Tamm-Horsfall 蛋白的活化和聚合；这是一种含有透明带（ZP）模块的蛋白质，其前体和丝状结构已通过 X 射线晶体学和冷冻电镜（cryo-EM）实验确定。

尽管不了解 UMOD 聚合物结构（其坐标既不用于模型训练，也不用作模板），AlphaFold2/ColabFold 能够概括 UMOD 聚合背后的关键构象变化，以及由此产生的细丝中蛋白质亚基的一般组织。这一令人惊讶的结果，是通过简单地从输入序列中删除一段对应于聚合抑制 C 端前肽的残基来实现的。

通过在计算机上模拟由蛋白质前体的位点特异性蛋白水解触发的前肽解离的激活作用，这个例子对外被蛋白和许多其他也包含 ZP 模块的分子的组装有影响。最重要的是，它显示了利用机器学习的应用潜力，不仅可以准确预测单个蛋白质或复合物的结构，还可以进行复制特定分子事件的计算实验。

该研究以「Using machine learning to study protein–protein interactions: From the uromodulin polymer to egg zona pellucida filaments」为题，于2021年9月29日发布在《Molecular Reproduction and Development》杂志。

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/mrd.23538

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除