蛋白质结构预测是通过计算方法,根据氨基酸序列推断蛋白质三维空间排布的过程,有时还会辅以进化关系、实验测量结果或分子相互作用伙伴的信息。其预测结果既可以是近似的折叠构象,也可以是单条链及分子复合物的原子模型。由于分子的形状在一定程度上决定了其结合、催化、调控和组装过程,结构预测将序列信息与生物学机制联系起来。
这一领域融合了生物物理学、进化分析、数学优化和机器学习。早期方法主要依赖实验测定的结构模板、简化的物理模型或片段组装。自2010年代后期起,神经网络越来越多地直接从大规模生物学数据集中学习结构约束和坐标。AlphaFold2在2020年蛋白质结构预测关键评估中的表现,标志着许多单个蛋白质结构域的预测准确度取得了重大进展。
不过,预测结构仍然只是模型,既不是实验观测结果,也无法完整描述蛋白质的行为。蛋白质可以呈现多种构象,可能包含无序区段,其状态还可能取决于膜环境、化学修饰或结合伙伴。因此,要理解结构预测,就必须区分结构准确度与置信度、代表性构象与构象系综,以及合理的分子排布与经证实的生物学机制。
物理基础与预测问题
蛋白质链由氨基酸残基通过肽键连接而成。一级结构指残基序列;二级结构包括α螺旋和β折叠等局部排列;三级结构描述一条链的整体折叠构象;四级结构则描述多条链之间的缔合关系。预测任务必须明确要建模的是哪一个结构层次。重建一个孤立结构域的主链,与确定嵌于膜中且结合了配体的组装体内每条侧链的位置,是不同的任务。
结构形成的物理基础包括主链几何构型、侧链堆积、静电相互作用、氢键以及疏水效应。疏水基团往往被埋藏在远离水的内部,而极性基团通常暴露于溶剂中,或在蛋白质内部形成补偿性相互作用。二硫键和配位结合的金属离子可进一步约束折叠构象。这些因素相互耦合:例如,将带电侧链埋入内部通常在能量上不利,除非周围的相互作用能够补偿其失去水合作用所带来的影响。
克里斯蒂安·安芬森对核糖核酸酶的研究揭示了序列与天然结构之间的重要联系,并因此获得了1972年诺贝尔化学奖。在适当条件下,变性的核糖核酸酶能够恢复其具有活性的构象,表明序列可以包含折叠所需的信息。这一原理并不意味着每种蛋白质都能在所有条件下独立达到唯一的结构。细胞内的折叠过程可能涉及分子伴侣、共翻译过程、膜、相互作用伙伴分子以及动力学势垒。
在平衡态描述中,可以用如下分布示意性地表示各种构象:
其中, 表示构象, 表示序列, 表示环境条件, 表示有效自由能, 表示归一化因子。这个表达式强调,同一序列可能呈现为一个构象系综,而不是单一的几何结构。实际中,自由能难以精确计算,许多预测系统并不显式求解这一分布,而是学习结构中的规律。
结构预测与蛋白质折叠之间存在根本区别。预测旨在寻找一个或多个可能的结构;折叠研究还要探究蛋白质链如何达到这些结构,以及这一过程发生的时间尺度。赛勒斯·利文索尔在1969年提出的论证指出,穷尽搜索所有可能构象无法解释蛋白质为何能快速折叠。现代预测系统同样避免穷举,而是利用学习得到的约束、模板、受限的结构表示或有偏采样,在庞大的构象空间中寻找可能的结构。
结构数据、序列信息与分子表示
结构建模所依赖的核心实验数据档案是创立于1971年的蛋白质数据库(PDB)。其中收录的结构主要通过X射线晶体学、核磁共振波谱法和冷冻电子显微术测定。这些方法提供的证据类型各不相同。晶体学和冷冻电子显微术模型通过拟合密度信息构建;溶液核磁共振结构则受到原子间距离信息、二面角约束等测量结果的限制。
实验测得的坐标并非精度一致、绝对可靠的标准答案。活动性较强的环区可能无法解析,侧链可能存在多种构象,而样品制备过程可能使某些特定状态趋于稳定。提交入库的蛋白质构建体可能因截短、氨基酸替换、纯化标签或人工设计的二硫键而与天然蛋白质有所不同。晶体堆积也可能影响局部构象或分子间接触。因此,在训练和评估时,需要关注实验模型的质量、生物学背景,以及它与待预测序列的对应关系。
表示方式的选择会显著影响计算难度。粗粒化模型可能仅为每个残基保留一个点,通常是α碳原子;全原子模型则包含主链和侧链原子。内坐标表示采用键长、键角和扭转角来描述结构。主链角 和 描述围绕α碳原子相邻化学键的旋转;空间位阻允许的角度组合可用拉马钱德兰图表示。大多数肽键近似呈平面结构,且采用反式构型,但也存在顺式构型,尤其是在脯氨酸之前的肽键中。
其他表示方式描述的是残基之间的关系,而非绝对坐标。接触图记录在所选定义下哪些残基对彼此接近。距离图提供更详细的间距信息,取向特征则描述各残基的局部坐标系如何相对朝向彼此。这些关系描述天然不依赖于蛋白质在空间中的位置和取向。将其转换为坐标,需要构建几何上自洽的嵌入,因为任意一组两两距离未必都能对应一个实际可实现的三维结构。
序列数据库提供了与结构档案互补的信息。多序列比对将具有进化亲缘关系的序列排列起来,以便比较彼此对应的位置。大规模测序和宏基因组项目极大地丰富了可用序列的多样性,往往能为缺乏近缘结构模板的蛋白质提供有参考价值的同源序列。然而,数据库中不同蛋白质家族的序列丰富程度并不均衡:有些家族拥有数百万条同源序列,另一些家族则几乎找不到可检测的匹配序列。结构档案也偏重于那些能够被表达、纯化、稳定并通过实验解析的蛋白质,由此产生的偏倚可能被预测系统继承。
比较建模与折叠识别
比较建模也称为同源建模,以实验测定了结构且具有进化亲缘关系的蛋白质为模板,预测目标蛋白质的结构。其依据是,在进化过程中,三维结构的变化通常慢于氨基酸序列。因此,即使序列已经发生了显著分化,两种蛋白质仍可能保留相似的折叠。当存在合适的近缘模板时,无须从第一性原理出发重建折叠,就能可靠地建立目标蛋白质大部分主链的模型。
典型的流程包括识别候选模板、将目标序列与模板进行比对、迁移相容的结构特征、构建未匹配区域,以及优化所得模型。选择模板时,不仅要考虑序列相似性,还要考虑覆盖度、实验质量、配体占据情况、寡聚状态和生物学构象。处于相关功能状态、但亲缘关系稍远的模板,可能比处于其他状态的近缘模板更有参考价值。多个模板可以提供互补信息,但将它们结合起来时,需要解决几何结构不一致的问题。
比对质量往往是决定性的制约因素。埋藏于蛋白质内部的 β 链若错位一个残基,就可能使疏水侧链和极性侧链朝向错误的一面,破坏堆积方式和氢键模式。插入和缺失尤其难以处理,因为缺失或新增的残基没有直接对应的结构。环区建模会用到片段库、构象采样,以及能量评估或统计评估,但较长的柔性插入片段仍然难以建模。侧链建模通常使用旋转异构体库,其中描述了侧链扭转角的有利组合。
当序列相似性低到难以直接进行比对时,折叠识别或穿线法会评估某条序列是否与已知的结构框架相容。评分系统可能偏好埋藏位点上的疏水残基、螺旋或折叠片层中适宜的残基类型,以及比对位置之间合理的相互作用。穿线法不要求事先已经识别出序列相近的蛋白质,而是考察某种已知折叠能否为目标序列提供令人信服的结构解释。
20 世纪 90 年代引入的 MODELLER 等程序,通过满足源自模板的空间约束,将比较建模规范为系统化方法。在端到端神经网络预测占据主导地位之前,自动化资源就已使这类方法得到广泛应用。比较建模至今仍然有用,因为模板能够提供可解释的依据,帮助识别具有生物学意义的构象,还可能包含已结合的辅因子或实验确定的相互作用界面。即使在较新的预测流程中,比较建模的典型误差仍然值得重视:错误的比对、不合适的结构域排列,或模板特有的环区,都可能被带入一个看似合理的模型中。此外,仅凭与模板相似,也不能认定两者具有相同的生化功能,因为相关的折叠可以适应不同的底物、反应和相互作用伙伴。
构象搜索、能量函数与分子模拟
无模板预测方法早期尝试通过搜索构象空间,并利用基于物理或知识的评分函数对候选构象排序,来识别接近天然态的结构。“从头预测”(ab initio)这一名称的使用范围很广,但许多被冠以此名的方法其实也融入了从已知结构中提取的信息。因此,有必要严格区分主要基于物理相互作用的方法与使用统计学习所得结构偏好性的方法。两类方法都面临同一个实际问题:如何生成足够好的候选构象,以及如何在这些构象出现时将其识别出来。
原子级力场通过描述键伸缩、键角弯曲、扭转偏好、静电作用和非键相互作用的各项,近似表示分子的势能。分子动力学在这类模型下推演原子的运动,通常采用显式或隐式溶剂。它能够描述单个静态预测结构所无法呈现的涨落和状态转变。然而,物理上合理的模拟并不保证得到正确结构:采样可能不充分,力场或溶剂处理中的误差也可能使错误状态更为有利。
常规分子动力学受到积分步长的限制:要分辨原子的快速运动,通常需要采用飞秒量级的短步长。而具有重要生物学意义的折叠过程可能发生在微秒、毫秒乃至更长的时间尺度上。专用计算设备和改进的算法已经使一些较小、折叠相对较快的蛋白质能够进行折叠模拟,但要常规地从伸展链出发模拟任意蛋白质的折叠,仍然需要巨大的计算开销。增强采样方法通过副本交换或沿选定坐标施加偏置等方式,改变对构象空间的探索过程,但必须谨慎解读由此得到的统计结果。
片段组装提供了另一种缩小搜索范围的方法。Rosetta 自20世纪90年代末开始开发,它从已知结构中选取与目标序列相容的短主链片段,通常通过蒙特卡罗采样对这些片段进行组装和重排。首先利用粗粒化评分筛选出有潜力的折叠构象,再进行更精细的侧链堆积优化和全原子精修。相关方法将模板、片段、约束和迭代优化结合起来。其效果既取决于评分函数所形成的景观,也取决于采样到正确拓扑结构的概率。
统计势从观测到的结构分布中提取偏好性,例如特定残基接触或扭转角组合的出现频率。由于结构数据库存在进化和实验选择偏倚,统计势并不等同于直接测得的物理能量。尽管如此,这类势仍能以相对较低的计算成本,区分出有用的结构模式。随后的精修旨在改善局部堆积、消除空间冲突并优化几何构型。修正一个接近正确的模型,往往比改变错误的拓扑结构更容易:短时间的能量最小化可以消除空间位阻造成的重叠,却很少能将错误折叠的结构域重组为正确的结构。
进化约束与学习得到的序列表征
进化为三维接触关系提供了间接信息。如果两个残基相互作用,一个位点的氨基酸替换可能会由另一个位点的替换来补偿。例如,侧链大小的变化可以通过邻近位置的反向变化来适应,而电荷的反转则可能伴随另一处替换,以维持静电相容性。在多样性足够高的蛋白质家族中,这些耦合变化能够揭示仅凭单条序列无法看出的空间关系。
原始的序列相关性很难解读。两个位点可能因为都与第三个位点相互作用而发生共变,也可能是因为相关生物具有共同祖先,或是因为序列比对中混入了功能不同的亚家族。直接耦合分析及相关方法试图区分直接的统计依赖关系与间接相关性。一种常见的建模方式采用波茨模型,其中,每个比对位点都有各自的氨基酸偏好,位点对之间则具有耦合参数。推断出的强耦合可以用于识别残基接触关系,从而约束蛋白质的折叠构象。
2011 年前后,一些研究表明,只要进化耦合包含足够丰富的信息,就能为缺乏近缘结构模板的蛋白质构建三维模型。这帮助弥补了早期无模板方法的一项重大不足:长程接触关系能够显著限制二级结构元件的排列方式。序列中相距较远的位点之间若存在接触,就可能据此区分原本十分相似的候选拓扑结构。随着宏基因组序列库不断扩充,越来越多的蛋白质家族具备了足够的序列比对深度和多样性,使耦合分析能够提供有用的信息。
序列比对规模与有效信息量之间的关系,并非简单的数量关系。数千条几乎相同的序列所提供的独立证据,可能还不如数百条多样性较高的同源序列。序列重新加权可以减轻某些序列被过度代表的问题,而比对筛选和针对特定结构域的分析则可以改善信号质量。错误归组的旁系同源序列、比对不佳的插入片段,或混杂的结构域架构,都可能产生误导性的相关性。预测两种不同蛋白质之间的接触关系更加困难,因为往往还需要在不同生物中正确配对相应的相互作用伙伴。
蛋白质语言模型提供了另一条从序列集合中提取结构信息的途径。这些模型通过预测被掩蔽的氨基酸等目标进行训练,学习能够编码二级结构、残基环境和长程组织方式等信息的上下文表征。ESMFold 等系统表明,这类表征可以支持结构预测,而无需为每个目标蛋白质显式构建多序列比对。这有助于加快大规模预测,但其表现仍取决于序列家族、模型架构、训练数据覆盖范围及模型设计。进化序列比对与语言模型表征彼此相关,却不能相互替代:前者显式比较同源序列,后者则将从训练语料中学到的模式压缩为表征。
深度学习架构与 AlphaFold 带来的转变
早期的神经网络方法通常先预测一些中间特征,包括二级结构、溶剂暴露程度、残基接触或距离分布,再用这些预测结果指导独立的建模程序。2018 年的 AlphaFold 系统表明,通过学习获得的残基间几何信息正变得越来越有效。AlphaFold2 于 2020 年接受评测,并于 2021 年得到详细介绍;它则将序列关系、成对表征、几何推理和坐标生成整合为一个更统一、可训练的系统。
AlphaFold 的第二代系统 AlphaFold2 维护着序列比对和残基对的表征。其 Evoformer 模块在这些表征之间交换信息,使进化信号与潜在的空间关系能够相互影响。基于三角形的运算利用涉及第三个残基的关系来更新残基对信息,帮助网络推断几何相容性。随后,结构模块利用不变点注意力机制生成残基坐标框架和原子坐标;这种架构旨在处理三维关系,而不依赖于任意选定的全局朝向。
系统通过循环反馈机制,将预测结果和内部表征反复输入自身。这样便能对提出的结构进行逐轮更新,而非一次性、不可逆地确定坐标。训练结合了多个目标,包括在局部坐标系中评估几何关系的框架对齐点误差,以及与结构合理性和置信度相关的惩罚项或辅助损失。因此,训练后的模型不仅学会了常见的折叠方式,还学会了如何在同一次推断过程中协调序列、进化、模板和几何信息。
2021 年推出的 RoseTTAFold 采用三轨网络,将序列层面、成对关系和三维信息联系起来,实现了类似的整合。这些进展表明,让不同表征之间交换信息,而非将序列分析、接触推断和坐标构建视为彼此孤立的阶段,可以大幅提高准确性。它们也改变了计算资源的投入方式:经过高成本训练得到的模型,能够以远快于穷尽式物理模拟的速度生成有用的结构。
2024 年报道的 AlphaFold3 将联合建模扩展到了更广泛的生物分子相互作用,涵盖蛋白质、核酸、小分子及某些化学修饰。它以基于扩散的模块取代了 AlphaFold2 的坐标生成方法,通过学习到的去噪过程生成原子排布。这类系统扩大了单次预测能够表征的范围,但其输出仍需根据各类分子和相互作用的特点进行相应评估。
2024 年诺贝尔化学奖肯定了这一更广泛的变革:德米斯·哈萨比斯和约翰·詹珀因蛋白质结构预测方面的贡献共同获得一半奖金,大卫·贝克则因计算蛋白质设计方面的贡献获得另一半。这一区分在科学上具有重要意义。根据序列预测结构与为目标结构设计序列,是两个相互关联的逆问题,但在其中任何一个问题上取得成功,都不能自动证明另一个问题也已得到解决。
基准评测、结构准确性与置信度估计
蛋白质结构预测技术评估(CASP)始于1994年,使用实验结构尚未向预测者公开的目标来评估预测方法。这种盲测设计降低了挑选有利案例或在不知情的情况下使用答案的可能性。CASP还将不同难度和类型的任务分开评估,例如基于模板的建模、高难度单链目标以及组装体。2020年的CASP14评估表明,AlphaFold2相比此前的系统取得了重大进步,但其表现仍因目标和结构区域而异。
没有任何单一数值指标能够全面描述结构的准确性。经过最优刚体叠合后的均方根偏差为
其中,通过旋转 和平移 ,将相互对应的坐标 和 对齐。均方根偏差(RMSD)直观易懂,但对离群值敏感:即使大部分结构都很准确,一个位置偏移的结构域或一段柔性尾部也可能主导结果。此外,其数值还取决于计算时纳入了哪些原子和残基。
全局距离检验(GDT)评分衡量的是对齐残基中,距离偏差落在若干阈值以内的残基所占的比例;GDT_TS通常取1、2、4和8埃这四个阈值下结果的平均值。TM-score采用随蛋白质长度变化的归一化方式,使不同大小蛋白质之间整体折叠的比较更易于解读。局部距离差检验(lDDT)则评估局部原子间距离的保留程度,无须进行统一的全局叠合。这些指标侧重于结构正确性的不同方面,因此可能对同一组模型给出不同的排名。
置信度估计不同于事后对准确性的测量。AlphaFold的预测lDDT(pLDDT)为各局部区域赋予0—100分的置信度评分。高于90分通常表示局部几何结构高度可靠,而低于50分则表示置信度较低,可能出现在无序区域或建模错误的区域。预测对齐误差(PAE)估计的是在指定对齐方式下,残基或结构域相对位置的不确定性。因此,一个模型可能包含两个各自折叠结构的置信度都很高、但彼此相对取向尚不确定的结构域。
可靠的基准评测还需要控制信息泄漏。即使标识符不同,测试序列也可能与训练集中某个蛋白质相似;即便已不存在明显的序列相似性,结构相似性仍可能保留。按时间划分数据、序列聚类和考虑折叠类型的分析,分别针对这一问题的不同方面。此外,还必须结合具体任务解读结果:主链坐标准确,并不意味着配体位置、侧链化学性质、寡聚状态或生物学功能也正确。当应用条件超出模型开发期间所涵盖的范围时,置信度校准本身也可能变差,因此,模型内部给出的高置信度只能反映其自估的可靠性,而不能视为独立的实验证实。
复合物、构象多样性与环境背景
许多蛋白质作为组装体的一部分发挥功能,而非以孤立肽链的形式存在。预测复合物需要确定其组分种类、化学计量比、各组分的构象及相对取向。即使每个亚基的模型都很准确,亚基间的界面仍可能出错。对称组装体还会带来额外的几何约束,而瞬时相互作用的界面可能较小或较为柔性,因而提供的结构信号较弱。计算上看似合理的接触,也不能证明两个蛋白质在细胞内存在相互作用。
蛋白质对接传统上将这一问题分为两个环节:采样可能的相对排列方式,并对其相容性进行评分。刚体对接将亚基视为近似固定的结构;柔性对接则允许界面处的侧链、环区或更大范围的主链区域进行调整。AlphaFold-Multimer及后续的联合建模系统将更多此类决策整合到同一个预测过程中。针对界面的置信度估计很有用,但相互作用伙伴配对错误、组分缺失或化学计量比不合适,仍可能产生误导性的排列方式。
蛋白质还会处于多种功能状态。例如,G蛋白偶联受体可采取不同构象,这些构象与其信号传导伙伴及所结合的配体有关。转运蛋白会交替向膜的两侧开放,酶则可能通过环区闭合将底物包围起来。一个准确呈现某种状态的模型,未必能够解释另一种状态。常规预测往往倾向于给出训练数据和输入信息所支持的代表性状态;反复进行预测,并不一定能按照各构象的物理概率对其进行采样。
内在无序蛋白质及无序区域带来了另一类挑战,因为在所关注的条件下,它们可能并不存在单一的稳定结构。其生物学作用可能依赖于柔性构象系综、瞬时接触,或结合时发生的折叠。置信度较低的伸展片段可能与无序状态相符,但低置信度也可能反映信息不足或模型失效。反过来,对于一条在实验相关条件下表现为无序的序列,网络也可能生成紧凑且在化学上合理的结构。
环境与化学细节也会进一步影响所要预测的结构。膜蛋白所处的脂质环境不同于体相水环境。质子化状态取决于局部化学环境和酸碱度,而金属配位、辅因子、糖基化、磷酸化以及共价结合的配体,都可能改变稳定性或构象。仅对蛋白质序列进行预测,通常无法确定某个特定生物样本中存在哪些此类成分或修饰。
实验约束有助于消除仅凭序列的模型无法解决的歧义。交联质谱法可以约束位点之间的空间接近程度;冷冻电子显微镜可以确定亚基在组装体内的位置;核磁共振测量则可以约束局部几何结构或揭示运动。整合建模将这些证据结合起来,同时考虑其不确定性。因此,恰当的结果可能是一个构象系综或一组备选排列方式,而不是一个看似确定无疑的结构。
应用、结构数据库与尚存的科学局限
预测结构使结构信息的覆盖范围大幅扩展,不再局限于已有实验测定模型的蛋白质。AlphaFold蛋白质结构数据库于2021年上线,并于2022年扩展至收录超过2亿个预测结构。这改变了结构分析的规模:研究人员可以在整个蛋白质组范围内考察折叠类型、结构域边界、潜在活性位点,以及仅凭序列难以发现的相似性。不过,数据库规模的广泛覆盖并不意味着每个条目都同样可靠,尤其是在无序区段和结构域间相对排布不确定的情况下。
功能注释是一项主要应用。预测出的催化残基排布或可识别的配体结合口袋,有助于将功能尚不明确的蛋白质归入某个生化家族。结构比较可以揭示序列搜索未能发现的远缘关系。这类证据与保守残基、基因组背景、细胞定位及实验结果相结合时,最具说服力。仅有相同的折叠类型还不够,因为许多结构骨架可以承载多种功能,而细微的局部变化就可能改变底物特异性或反应的化学机制。
结构预测也能辅助实验结构生物学研究。在晶体学中,准确的模型可用作分子置换的搜索模型,提供解读衍射测量结果所需的初始相位信息。在冷冻电子显微学中,预测的结构域有助于识别组分,并在密度图中构建原子模型。模型仍须与实验数据取得独立的一致性验证:否则,将一个看似合理的预测结构拟合到模糊的密度中,可能会强化错误的解释。构建模型时,柔性区域和界面往往需要特别关注。
在生物技术和药物研究中,结构模型有助于表征结合位点、解读序列变异,并提出可通过实验检验的机制。然而,预测出的氨基酸替换位点周围环境,本身并不能确定某个人类遗传变异是否致病。同样,将小分子放入一个看似合理的口袋中,也不能证明其结合亲和力、选择性、药理活性或临床疗效。这些性质取决于能量关系、溶剂化、动态行为、浓度,以及静态坐标模型未能涵盖的生物学过程。
结构预测与蛋白质设计密切相关,后者旨在寻找能够形成所需结构或实现所需功能的序列。结构预测工具可以作为设计流程中的一道筛选环节,但设计模型与预测结果相符,并不构成完全独立的验证,尤其是在两套系统共用训练数据或从数据中学到的假设时。表达、折叠、稳定性、组装和功能,仍然是需要分别通过实验解答的问题。
长期存在的挑战包括:预测各种构象的相对占比、确定突变如何改变这些占比、为大型异质性组装体建模,以及确定催化位点的化学状态。计算的可扩展性和可重复性同样重要:模型权重、推理设置、序列数据库版本、模板截止日期和随机种子都可能影响结果。记录这些细节,以及置信度指标和所建模体系的确切分子组成,有助于明确区分有用的结构假说与经实验确立的分子描述。