将AlphaFold2模型与实验冷电磁密度图在4-6Å分辨率下进行精细化
Maytha Alshammari1, Jing He1, Willy Wriggers2
1Department of Computer Science, Old Dominion University, Norfolk, VA.
Proceedings. IEEE International Conference on Bioinformatics and Biomedicine
|July 4, 2025
概括
深度学习蛋白质结构预测,如AlphaFold2,有助于冷电子显微镜 (cryo-EM) 地图解释. 将人工智能模型与实验数据集成可以提高准确性,即使是低分辨率地图.
科学领域:
- 结构生物学 结构生物学
- 计算生物学 计算生物学
- 生物物理学的生物物理.
背景情况:
- 低温电子显微镜 (cryo-EM) 对于确定分子结构至关重要.
- 解释低分辨率的冷电磁图 (4-6 Å) 仍然是准确建模的挑战.
- 像AlphaFold2这样的深度学习模型在蛋白质结构预测方面表现有前途.
研究的目的:
- 评估AlphaFold2对于解释低分辨率实验冷电磁图的实用性.
- 评估结合人工智能预测模型与实验数据的优点和局限性.
- 调查影响人工智能模型在冷电磁图中的成功改进的因素.
主要方法:
- 使用实验性的冷电磁图/模型对在4-6 Å分辨率范围内.
- 使用TM-scores评估AlphaFold2模型的准确性.
- 评估了Phenix内部AlphaFold2模型的精细化性能,重点是实验地图.
主要成果:
- 对于大多数较大的蛋白质链,AlphaFold2模型的准确性很高 (TM-score > 0.9).
- 一个小蛋白质链 (115个残留物) 的预测很差 (TM-score为0.52).
- 精细化成功取决于AlphaFold2预测质量,冷EM数据质量和模型密度对齐.
结论:
- 像AlphaFold2这样的深度学习方法是解释低分辨率冷EM数据的有价值工具.
- 成功的整合需要仔细考虑人工智能模型的准确性和实验地图质量.
- 需要进一步开发,以优化AI模型在具有挑战性的冷EM数据集中的改进.
