针对实验和混合冷电磁密度图的AlphaFold2模型的改进

科学领域:

• 结构生物学是结构生物学.
• 计算生物学是一种计算生物学.
• 生物物理学的生物物理.

背景情况:

• 深度学习模型,如AlphaFold2,现在可以从氨基酸序列中高精度地预测蛋白质结构.
• 解读冷电子显微镜 (cryo-EM) 密度图来构建原子模型在结构生物学中至关重要.
• 从低分辨率的冷电磁图 (低于4.5 Å) 构建精确的模型仍然是一个重大挑战.

研究的目的:

• 评估AlphaFold2预测蛋白质模型对冷-EM地图精制的实用性.
• 评估Phenix精制套件在精制AlphaFold2模型中的性能,并将其与实验式冷电磁数据对比.
• 为了研究这种精细化方法在较低分辨率的稳定性.

主要方法:

• 使用AlphaFold2从序列中生成蛋白质结构模型.
• 实验性冷电磁图被过到较低的分辨率,使用实空间卷积来创建混合图.
• 使用Phenix精炼套件,AlphaFold2模型与实验和混合冷电磁图进行了改进.

主要成果:

• 通过对AlphaFold2模型的改进,在13个冷电磁图中的9个图表中获得了良好的准确性 (TM分数>0.8).
• 针对所有地图优于4.5 Å,8个地图在6 Å和3个地图在8 Å的精细化AlphaFold2模型的TM-score有所改善.
• 对于低于4.5 Å的分辨率,已经证明了成功的精细化,一些案例显示了分辨率降低的好处.

结论:

• 使用Phenix协议可以有效地改进AlphaFold2模型,将准确的模型构建扩展到较低的冷-EM分辨率.
• 改进策略在解释具有挑战性的低分辨率冷电磁数据方面表现有前途.
• 高分辨率的冷电磁图可能偶尔会阻碍AlphaFold2模型的改进,因为它们被困在局部最佳状态中.