跳到正文
bioRxiv· Price, R. M.; LaCourse, B.; Voorspoels, A.; Elliott, L. G.; Maerivoet, A.; Simpkin, A. J.; Mesdaghi, S.; Stafford-Dodsworth, A.; Madine, J.; Rigden, D. J.·· 来源仅提供日期AI 评分63

研究评估 AlphaFold 3、Boltz-2 与 OpenFold 3 捕捉 α-synuclein 多晶型的能力

Capturing α-synuclein polymorphism with AlphaFold 3 and rivals

AI 导读

研究以 PDB 中 α-synuclein 结构的 TM-score 聚类作为已知多晶型参照,评估 AlphaFold 3、Boltz-2 和通过 ABCFold 运行的 OpenFold 3。

预印本 · biorxiv · 10.64898/2025.12.05.692529

本站摘要基于收录版本 v2(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v2

摘要 · AI 翻译

由单一蛋白质形成的淀粉样纤维可以采用许多不同的折叠构象,即多形体(polymorphs),这些构象在不同疾病之间存在差异,并决定了可用于治疗和诊断的表面结构。深度学习结构预测能否捕捉这种多样性尚不清楚,而且该领域缺乏对多形体的客观定义来据此进行评判。在此,我们通过 TM-score 对蛋白质数据库(Protein Data Bank)中的 α-突触核蛋白结构进行聚类,从而获得一组已知多形体的客观参考集。以此参考集为基础,我们评估了 AlphaFold 3、Boltz-2 以及通过 ABCFold 运行的 OpenFold 3。三种方法均产生了纤维状的组装体,尽管它们达到的多形体有所不同。在默认包含模板的情况下,这些方法过度代表了主导折叠构象。在不使用模板时,这些方法产生了大量与任何已知结构都不匹配的模型,其中一部分具有真正纤维的堆叠几何特征。提供一个多形体作为模板可恢复 16 个目标折叠构象中的 13 个,但前提是比对深度和建模链数需同时变化。这些结果证实,当前方法能够采样真实的 α-突触核蛋白结构空间,并可对其进行引导,同时为在淀粉样靶点上评估预测方法提供了一个框架。

来源:bioRxiv · biorxiv.org