AlphaFold2同源建模

技术原理：

2020年12月，谷歌人工智能 AlphaFold2在CASP14比赛中，以摧枯拉朽之势击败了所有对手，成功根据氨基酸序列预测了生命基本分子蛋白质的三维结构。AlphaFold2使用多序列比对，将蛋白质结构整合到算法。2018年的AlphaFold使用的神经网络是类似ResNet的残差卷积网络，到了AlphaFold2则借鉴了AI研究中近来新兴起的Transformer构架。Transformer使用注意力机制兴起于NLP领域，用于处理一连串的文本序列。而氨基酸序列正是和文本类似的数据结构，AlphaFold2利用多序列比对，把蛋白质的结构和生物信息整合到了深度学习算法中。

应用方向：

通过同源建模预测蛋白质的三维结构，可预测蛋白质之间的功能是否发生变化；计算药物虚拟筛选即蛋白质与小分子对接；预测蛋白与蛋白的互作结合位点，为突变位点的设计提供重要的参考。对于癌症的预测、药物靶点的选择、新药物的研究具有重大贡献。

专业服务优势：

团队阵容：国内知名高效的结构生物学博士，硕士，项目经验丰富。

专业性：高配的显卡设备，专业的协同团队。

周期性：速度快，性价比高。

示例展示：

AlphaFold2用初始氨基酸序列与同源序列进行比对，直接预测蛋白质所有重原子的三维坐标。从模型图中可以看到，输入初始氨基酸序列后，蛋白质的基因信息和结构信息会在数据库中进行比对。序列比对的目标是使参与比对的序列中有尽可能多的序列具有相同的碱基，这样可以推断出它们在结构和功能上的相似关系。比对后的两组信息会组成一个48 block的Evoformer块，然后得到较为相似的比对序列。比对序列进一步组合8 blocks的结构模型，从而直接构建出蛋白质的3D结构。末尾两步过程还会进行3次循环，可以使预测更加准确。

参考文献：

[1] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021 Aug; 596(7873):583-589. doi: 10.1038/s41586-021-03819-2. Epub 2021 Jul 15. PMID: 34265844; PMCID: PMC8371605.

[2] GitHub - deepmind/alphafold: Open source code for AlphaFold.