二、蛋白质结构预测方法

1. 同源建模（Homology Modeling）
原理：基于"序列相似→结构相似"的假设
步骤：
1. 模板选择：
- BLAST/PSI-BLAST搜索PDB数据库
- 序列相似度>30%：通常可获得可靠模型
- 序列相似度>50%：模型质量接近实验结构
- E-value < 0.001作为显著性阈值
2. 序列比对：
- 目标序列与模板序列的全局比对
- 关键：正确对齐插入/缺失（indel）区域
3. 主链建模：
- 保守区域：直接拷贝模板主链坐标
- 环区：需要专门建模（数据库搜索、从头计算）
4. 侧链建模：
- 相同残基：直接拷贝模板侧链
- 不同残基：使用旋转异构体库（rotamer library）选择最佳构象
5. 模型优化：
- 能量最小化（消除不合理接触）
- 分子动力学模拟（局部结构优化）
6. 模型评估：
- Ramachandran图：检查主链二面角分布
- Z-score（如ProSA、QMEAN）：与已知结构比较
- GMQE/Coverage：模型置信度评估
常用工具：SWISS-MODEL、Modeller、Phyre2、I-TASSER
2. 折叠识别（Fold Recognition）
原理：当序列相似度低（<30%）但可能存在结构相似性时，通过评估序列与结构的相容性来识别折叠类型。
方法：
- Threading（穿针引线法）：将序列"穿"到已知的结构模板中，评估能量相容性
- 3D-PSSM、FFAS03：基于序列谱和结构信息的打分函数
- I-TASSER：结合 threading 和从头计算的混合方法
适用场景：
- 中等序列相似度（20-30%）的蛋白质
- 新发现的蛋白质家族，无高相似度模板
3. 从头计算法（Ab Initio）
原理：基于物理能量函数，不依赖模板，从序列直接预测结构。
Rosetta方法：
- 核心思想：蛋白质中短片段（3-9个残基）的结构可以从已知结构库中找到相似片段
- 流程：
1. 将目标序列切分为短片段
2. 从结构库中搜索每个片段的最佳匹配构象
3. 使用蒙特卡罗模拟退火组装片段
4. 基于统计能量函数评估构象
5. 选择低能量构象作为预测结构
- 粗粒化模型：侧链简化为质心，降低计算复杂度
- 全原子精修：对低能量构象进行全原子优化
I-TASSER：
- 结合 threading 和 fragment assembly
- 从 threading 模板中提取结构约束
- 使用 replica-exchange Monte Carlo 进行构象搜索
局限：
- 计算成本高，仅适用于小蛋白（<150残基）
- 精度有限，通常低于同源建模
4. 基于深度学习的结构预测（革命性突破）
AlphaFold2（2020, CASP14）：
核心创新：
- Evoformer： attention-based 架构，整合MSA和配对特征
- MSA特征：多序列比对中的共进化信息（协方差）
- 配对特征：残基对之间的距离和方向信息
- 通过注意力机制在两种特征之间交换信息
- 结构模块：
- 使用不变点注意力（Invariant Point Attention, IPA）
- 将抽象特征转化为具体的三维坐标
- 每个残基视为刚体（ backbone frame + 侧链 torsion angles）
- 迭代优化结构，最终输出全原子坐标
- 回收机制（Recycling）：
- 将预测的结构反馈到输入，进行多轮迭代
- 类似"自我修正"过程，逐步提高精度
- 自蒸馏（Self-distillation）：
- 使用大量无结构标注的蛋白质MSA数据进行训练
- 网络自己生成"伪标签"作为监督信号
关键成功因素：
1. 大规模MSA数据（UniRef90数据库）提供丰富的共进化信息
2. PDB中约170,000个已知结构提供训练数据
3. 端到端学习直接优化结构坐标（而非中间特征）
4. 注意力机制有效捕捉长程相互作用
RoseTTAFold（2021, Baker Lab）：
- 类似AlphaFold2的架构，但采用三轨设计（sequence、pair、structure tracks）
- 开源，可本地运行
- 精度略低于AlphaFold2，但计算效率更高
ESMFold（2022, Meta AI）：
- 基于预训练语言模型ESM-2
- 不依赖MSA搜索，直接从单序列提取进化信息
- 速度比AlphaFold2快60倍（短序列）
- 适合宏基因组蛋白质的结构预测
ColabFold（2022）：
- 将AlphaFold2和MMseqs2集成到Google Colab平台
- 简化了MSA搜索和结构预测流程
- 使非专业用户也能进行蛋白质结构预测