人工智能驱动的方法挑战蛋白质结构的传统观点

在《自然通讯》最近发表的一篇文章中，一个团队提出了一种人工智能驱动的方法来探索蛋白质领域的结构相似性和关系。该团队的成员来自弗吉尼亚大学，包括数据科学学院院长 Phil Bourne、学院高级科学家 Cam Mura 和 UVA 近期校友 Eli Draizen。

他们的研究挑战了关于蛋白质结构关系(即相似性和差异性模式)的传统观念，并在此过程中发现了许多传统方法所忽略的微弱关系。

具体来说，作者报告了一个计算框架，该框架可以以新颖、灵活和细致入微的方式大规模检测和量化这种蛋白质关系(跨越无数蛋白质)，该框架将基于深度学习的方法与一种称为 Urfold 的新概念模型相结合，允许两种蛋白质尽管具有不同的拓扑结构或“折叠”，但仍表现出结构相似性。

Bourne、Mura 和 Draizen 与 Stella Veretnik 合作完成了该项目。所有作者都是 Bourne & Mura 计算生物科学实验室的成员，该实验室隶属于数据科学学院和 UVA 生物医学工程系。

该出版物是 Bourne 实验室多年工作的成果，旨在开发名为 DeepUrfold 的人工智能驱动框架，以便系统地、大规模地探索 Urfold 结构关系理论。

利用 DeepUrfold，Bourne 实验室团队检测到了蛋白质世界中那些原本被视为不相关的蛋白质之间的微弱结构关系，无论是在进化上还是在其他方面。

在捕捉和描述这些远距离关系时，DeepUrfold 从“社区”的角度看待蛋白质关系，避免了将蛋白质分类到单独的、不重叠的箱体中的传统方法。总而言之，这些新的方法可以推动研究人员超越以静态、几何术语思考蛋白质相似性，转向更综合的方法。

伯恩是数据科学学院的创始院长，他在科学界因其研究而闻名，研究领域包括结构生物信息学和更广泛的计算生物学。在职业生涯早期，他与他人共同领导了 RCSB 蛋白质数据库的开发，这是一个名副其实的蛋白质结构信息宝库，它帮助彻底改变了该领域，并为 AlphaFold 等当代人工智能的进步铺平了道路。

Mura 任职于 UVA 数据科学学院和生物医学工程系，在结构和计算生物学方面拥有丰富的背景，包括基于 RNA 的系统的生化和晶体学研究以及 DNA 的分子生物物理学。他通过分子进化的视角看待生物系统，并探索这些领域与数据科学的交集。

Draizen 在 Bourne 的指导下获得了 UVA 的生物医学工程博士学位，目前担任加州大学旧金山分校计算生物学博士后学者。Veretnik 是 UVA 的高级研究科学家，专注于计算生物学以及蛋白质折叠的结构、功能和进化。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！