|
Regular Member
|
這是 F@H 官方部落格對於 AlphaFold 的觀點
https://foldingathome.org/2024/05/0...or-foldinghome/
以下 GPT 翻譯:
引用:
**AlphaFold 為 Folding@home 開啟全新機會**
2024 年 5 月 2 日
**作者：Greg Bowman**
Folding@home 長期以來致力於理解蛋白質如何自我組裝（即折疊）成其功能性結構，以及在折疊狀態下的動態變化對其功能的影響。因此，當人們聽說一款名為 AlphaFold 的新型軟體演算法已經「解決」了蛋白質折疊問題時，可能會好奇這對 Folding@home 這個計畫意味著什麼。
首先，讓我們來看看 AlphaFold 的背景。AlphaFold 是一款機器學習演算法，經過訓練可以根據蛋白質的化學序列（即由胺基酸組成的序列）來預測蛋白質的結構。該演算法的訓練數據來自蛋白質資料庫（Protein Data Bank, PDB）(7)，這是一個公開的資料庫，收錄了超過 20 萬個蛋白質結構。這些結構是結構生物學家在其研究成果進行同行評審時，被要求提交的數據，經過數十年的積累而形成的。
在 AlphaFold 之前，已有許多其他演算法試圖透過物理計算與機器學習相結合的方法來預測蛋白質結構，而這些方法的表現也一直透過「蛋白質結構預測關鍵評估」（CASP）競賽的盲測來檢驗。雖然這個領域在過去幾十年間取得了巨大進展，但近年來似乎遇到了瓶頸。而 AlphaFold 的出現打破了這一趨勢，在準確度方面取得了重大突破。它的預測能力可謂是計算方法在生物醫學研究領域展現強大潛力的一個最佳範例。
然而，儘管 AlphaFold 是一項令人驚嘆的技術進步，但它並未解決 Folding@home 所關注的問題。我們在 Folding@home 的核心理念之一是，單一的蛋白質結構雖然極為重要，但這只是冰山一角。一個靜態結構無法告訴我們蛋白質如何折疊成該結構，也無法揭示蛋白質內部哪些部分會移動來發揮功能。
因此，AlphaFold 的發展實際上為 Folding@home 創造了許多新機會。我們對折疊後蛋白質動態性的研究通常需要至少一個來自實驗的高解析度結構。然而，對於許多蛋白質而言，這樣的結構並不存在，這使得我們過去無法為這類蛋白質的研究提供太多貢獻。然而，現在 AlphaFold 預測的結構已經足夠準確，即便缺乏實驗數據，我們也可以將其作為研究的起點。例如，在最近的一項研究中，我們利用 AlphaFold 預測的 PPM1D（一種重要藥物靶點）結構來理解某些神秘的抑制劑可能是如何作用於該蛋白質的。
如果你對此主題感興趣，我最近撰寫了一篇相關的觀點文章，你可以在這裡閱讀更多內容。
|
|