Rosetta 与 AlphaFold 结合离子迁移率质谱数据改善多亚基蛋白组装预测
Integrating Ion Mobility Data with Rosetta and AlphaFold Resolves Complex Structural Assembly Challenges
Steffen Lindert 实验室发表于 Analytical Chemistry 的研究将离子迁移率质谱的碰撞截面数据与 AlphaFold 亚基预测、Rosetta docking 结合,修正深度学习工具常见的对称性与装配拓扑错误。
把低成本质谱形状数据与 AlphaFold、Rosetta 结合,为深度学习结构预测常见的装配错误提供了一条可复用的纠偏路径。
要点
- 将离子淌度质谱获得的低分辨率结构数据与计算对接工具相结合,可显著提升对具有挑战性的多亚基蛋白质复合物的预测效果。
- 这种整合方法纠正了 AlphaFold-Multimer 等深度学习工具常见的对称性与组装错误,使大多数失败的预测提升至接近天然结构的精度。
- 底层的评分工具现已集成到 Rosetta 建模套件中,为将稀疏物理数据整合进结构建模提供了实用框架。
在 近期发表于 Analytical Chemistry 的一篇论文中,Steffen Lindert 实验室的研究人员(包括第一作者 Akshaya Narayanasamy)及其合作者提出了一种新颖的整合计算框架,将深度学习预测与稀疏实验数据相结合,以解析具有挑战性的多亚基蛋白质结构。通过将 AlphaFold 预测的亚基与 Rosetta 对接相结合,并利用离子淌度质谱的碰撞截面测量来指导模型选择,该团队展示了一种克服复杂四级组装体建模中长期存在的精度限制的方法。
将物理形状测量与对接算法相结合,克服多亚基蛋白质复合物组装中的局限性
预测蛋白质复合物的三维结构对于理解细胞功能和指导药物发现仍是一项关键挑战。AlphaFold-Multimer 等深度学习模型推动了结构生物学的发展,但在预测多个亚基如何结合时常常力不从心。即使单条蛋白质链被准确建模,预测结果也往往误判整体对称性、错置亚基界面,或无法捕捉正确的组装拓扑。
为了解决这些局限性,研究人员构建了一个整合工作流程,将计算得到的亚基模型与离子淌度质谱的实验形状数据配对使用。离子淌度质谱通过测量蛋白质离子在气体中的迁移情况,提供了一个单一的结构指标——碰撞截面,它反映了组装体的整体大小和形状。研究人员更新了 Rosetta 的形状计算算法,并创建了一个自定义评分项,对偏离预期物理尺寸的对接排列进行惩罚。
物理形状约束显著提升组装精度
在一组深度学习工具最初失败的复杂靶标基准集上进行评估时,整合流程显著提升了结构质量。引入形状约束帮助对接算法选择了接近天然的排列,正确恢复了组装对称性和亚基界面。总体而言,该方法在超过三分之二的受测复杂组装体上提升了结构精度,将其中大多数失败靶标转化为接近天然的准确预测。
该方法还在一系列研究充分的蛋白质组装体上,通过物理实验测量得到了进一步验证。在基准集中纳入实验质谱数据始终改善了结构选择,有效地引导模型趋向天然排列,同时未在任何靶标上降低性能。
将开源质谱工具整合到 Rosetta 中,为混合结构生物学建模带来新机遇
这些新的打分应用可在 Rosetta 软件套件中免费获取,为结构生物学家提供了一种高效工具,用于解析难以解决的复合物结构。展望未来,将质谱数据直接纳入深度学习架构,并与冷冻电镜(cryo-EM)和核磁共振(NMR)等其他实验技术相结合,有望进一步加速结构发现。
本文 将离子淌度数据与 Rosetta 和 AlphaFold 结合以解决复杂结构组装难题 最早发布于 Rosetta Commons。
来源:Rosetta Commons · rosettacommons.org