AlphaFold蛋白质结构数据库是一个可免费访问的数据库,收录了通过计算预测的蛋白质三维结构,由Google DeepMind与欧洲分子生物学实验室下属的欧洲生物信息学研究所(EMBL-EBI)共同开发。其主要的大规模发布版本包含使用AlphaFold生成的模型;该系统能够根据氨基酸序列预测蛋白质结构。每个模型均附有预测置信度信息及其对应的蛋白质序列。数据库提供的是结构假说,而非实验测定的结构,因此,区分预测的几何构型与生物学观察结果,是解读这些模型的关键。
发展与收录范围
该数据库于2021年7月上线,最初收录约35万个预测结构,包括人类蛋白质组及若干常见研究生物的蛋白质模型。2022年7月的一次重大扩充使其预测结构数量增至2亿多个,涵盖了当时UniProt中几乎所有的蛋白质序列。这些数字描述的是历史发布版本,而不是一个固定不变或囊括所有蛋白质的完整目录。
此次扩充改变了蛋白质结构信息的可获取规模。实验方法此前已确定许多重要蛋白质的结构,但数量更多的已知序列仍缺乏相应的结构模型。通过提供预先计算的预测结果,该数据库使研究人员无需自行运行计算需求很高的预测流程,就能研究其中许多蛋白质。
数据库收录的蛋白质来自细菌、古菌、真核生物,以及其基础数据集所包含的其他序列来源。不过,具体覆盖范围取决于各发布版本的序列筛选和处理规则。某条蛋白质序列被序列数据库收录,并不意味着它的每一种异构体、变体或异常长的序列都有直接对应的完整模型。
科学基础
蛋白质序列限制了它能够采取的三维构型。这些构型影响着酶活性、结合特异性、稳定性以及与其他分子的相互作用等性质。根据序列预测结构与蛋白质折叠问题密切相关,但预测最终结构并不等同于重现蛋白质折叠所经历的物理路径。
AlphaFold 2利用机器学习,根据序列信息、进化模式以及训练过程中学到的结构知识来推断结构关系。其预测流程可以使用同源序列比对和结构模板。最终生成的坐标描述了蛋白质原子的一种可能排列方式。
这些预测不是实验测量结果,也不一定来自对折叠过程的直接模拟。它们同样不能证明蛋白质只采取一种形状。数据库中存储的模型通常代表一种预测构象,而蛋白质可能因结合过程、化学条件或生物学活动而发生结构变化。
数据库条目与访问方式
一个典型条目会将蛋白质序列与结构模型及相关元数据关联起来。主要组成部分包括:
- **序列与标识信息:**用于建模的序列、生物来源信息,以及指向相关UniProt记录的链接。
- **原子坐标:**可下载的结构文件,通常采用PDB和mmCIF格式。
- **局部置信度评分:**对蛋白质链各处结构可靠性的估计。
- **预测比对误差:**关于模型不同部分相对位置置信度的信息。
网页界面支持交互式三维查看,包括按置信度着色。研究人员可以检查特定区域,将其与序列对应起来,并区分建模置信度较高的片段与不确定的片段。
通过应用程序编程接口进行程序化访问,以及批量下载功能,为大规模分析提供了支持。条目标识符和模型版本对研究的可重复性十分重要:解读结构时,应结合生成该结构所依据的确切序列和发布版本。
该数据库主要用于存储已完成计算的预测结果。它不同于接受新序列并按需生成模型的本地软件或预测服务。
预测置信度的解读
置信度信息是数据库条目的必要组成部分,而不只是可有可无的注释。以下两种指标分别回答模型可靠性的不同问题。
预测局部距离差异检验
预测局部距离差异检验(pLDDT)是一种逐残基的置信度评分,取值范围为0至100,用于估计局部结构几何构型的可靠性。
数据库通常采用以下解释:
| pLDDT范围 | 通常含义 |
|---|---|
| 高于90 | 局部置信度很高 |
| 70–90 | 局部结构总体可信 |
| 50–70 | 置信度低 |
| 低于50 | 置信度很低;坐标可能不可靠,或对应无序区域 |
这些范围是实用的参考标准,并不保证结构一定正确。评分为90并不意味着每个坐标都有90%的概率是正确的。
在可下载的PDB格式模型中,pLDDT存储在传统上用于记录晶体学温度因子的字段中。因此,在这些文件里,该字段表示的是预测置信度,而不是实验测得的原子位移参数。
低置信度可能意味着预测有误、信息有限、结构具有柔性,或存在内在无序。仅凭低置信度本身,无法确定哪一种解释正确。反过来,高置信度也不能证明模型中的构象在所有生物学条件下都存在。
预测比对误差
预测比对误差(PAE)估计的是:当预测结构与真实结构以某一残基为基准进行叠合时,另一残基位置的预期误差。其单位为埃,通常以二维矩阵显示。
对于包含多个蛋白质结构域的蛋白质,PAE尤其有用。两个结构域各自的局部置信度可能都很高,但它们之间的相对取向仍可能不确定。这样的模型可能在两个结构域内部均表现出较高的pLDDT,而结构域之间的PAE也较高。
PAE具有方向性:以一个区域为基准叠合并评估另一个区域,并不一定等同于将两者的角色互换。它是预测的不确定性指标,而不是实验观察到的误差分布图。
研究应用
**功能研究。**模型可以揭示合理的结构域排列、结合口袋,或与已知特征蛋白质的相似性。这些观察结果可以为提出功能假说提供方向,但仅凭结构相似性并不能确定特定的生化活性。
**实验结构测定。**预测模型可以辅助X射线晶体学中的分子置换,以及冷冻电子显微术中的密度图解读。使用前,可能需要移除置信度低的区域,或对其单独处理。
**序列变体解读。**将突变映射到模型上,可以显示其是否位于推测的活性位点、相互作用表面或埋藏区域附近。仅凭模型无法确定该变体的功能效应或临床意义。
**比较与大规模分析。**结构比较可以识别仅凭序列难以发现的关联,为进化及蛋白质家族研究提供支持。大规模分析必须考虑置信度和覆盖范围的差异。
**分子结合研究。**预测的口袋可以作为研究配体相互作用的起点。具体的结合几何构型、亲和力及生物学效应仍需要独立证据支持。
局限性及与其他资源的关系
预测与实验证据
蛋白质数据库收录通过实验测定的大分子结构。AlphaFold DB则主要提供预测模型。两者的内容相互补充,但不应视为可以互换的证据形式。
实验结构可以为特定条件下的某种分子组装体或状态提供证据。AlphaFold DB模型提供的是一种计算假说,可能缺少有关这些条件、关联分子或其他状态的信息。实验结构也有局限性,但其局限性源于不同的方法和证据。
分子环境与其他状态
AlphaFold DB的主要大规模数据集由单条蛋白质链的预测模型组成。这些模型本身并不能确定蛋白质复合物在生物学上相关的组装形式。如果某种蛋白质需要与其他链共同发挥功能,仅凭孤立链模型可能无法充分解读其相互作用界面或构象。
标准条目通常不明确呈现结合的DNA、RNA、小分子,也不完整呈现细胞内存在的各类辅因子和化学修饰。膜环境和溶液条件同样未得到全面编码。
蛋白质可能在活性与非活性形式之间切换,或在与结合伙伴结合时采取不同构象。单个高置信度模型并不能描述这些状态的群体分布、动力学或热力学特征。
推断范围
仅凭坐标无法确定结合亲和力、催化速率、蛋白质丰度、细胞定位或序列变化的影响。局部折叠的高置信度,并不自动意味着模型具有足以支持原子尺度精确机制论断的准确性。
还应将AlphaFold DB与后续的AlphaFold预测系统和服务区分开来,后者包括用于对含有蛋白质、核酸和小分子的复合物建模的系统和服务。这些系统的能力并不自动适用于每一个预先计算的数据库条目。因此,解读条目时,需要考虑其来源、模型版本、置信度信息,以及与独立生物学证据的一致性。