在虚拟药物查中AlphaFold2模型的可靠性:专注于选择的A类GPCRs
Nada K Alhumaid1, Essam A Tawfik1
1Advanced Diagnostics and Therapeutics Institute, Health Sector, King Abdulaziz City for Science and Technology (KACST), Riyadh 11442, Saudi Arabia.
International journal of molecular sciences
|September 28, 2024
概括
像AlphaFold2 (AF2) 这样的人工智能 (AI) 模型在预测药物发现的蛋白质结构方面表现有前途. 虽然AF2模型准确地预测了结合姿势,但它们的选能力低于G蛋白结合受体 (GPCR) 的实验结构.
科学领域:
- 计算生物化学和结构生物学.
- 人工智能 (AI) 在蛋白质结构预测和药物发现中的应用.
背景情况:
- 蛋白质三维 (3D) 结构预测是计算生化学的长期挑战.
- AlphaFold2 (AF2) 代表了一项重大进步,从序列中提供高精度的蛋白质结构预测.
研究的目的:
- 与药物发现的实验结构相比,评估AF2模型的可靠性.
- 专注于A类G蛋白结合受体 (GPCRs),这是一个常见的药物标类.
主要方法:
- 选择了32个具有实验性 (X射线,冷电磁) 和AF2结构的A类代表性GPCR.
- 通过使用验证工具 (pLDDT,RMSD,MolProbity,Ramachandran,QMEAN) 评估AF2模型的质量.
- 使用GOLD软件进行了分子对接,并评估了连接体结合的姿势预测和选功率 (丰富因子).
主要成果:
- AF2模型准确地预测了连接体结合姿势,根平均平方偏差 (RMSD) < 2 Å.
- 与X射线 (2.24) 和冷EM (2.42) 结构相比,AF2结构的选功率较低 (平均EF为1.82).
- 使用AF2模型的分子对接成功地确定了GPCR标的竞争性抑制剂.
结论:
- 对于某些GPCR目标,AF2模型为实验结构提供了可比的对接结果.
- AF2模型具有显著影响和加速药物发现过程的潜力.
- 需要进一步验证,以充分利用AF2在虚拟药物查活动中.
