新研究挑战了关于蛋白质结构的传统观点

　　

在最近发表在《自然通讯》上的一篇文章中，弗吉尼亚大学的一组研究人员——包括数据科学学院院长菲尔·伯恩(Phil Bourne)、学院高级科学家卡姆·穆拉(Cam Mura)和弗吉尼亚大学最近的校友Eli draaizen——提供了一种人工智能驱动的方法来探索蛋白质宇宙的结构相似性和关系。

他们的研究挑战了关于蛋白质结构关系的传统观念(即相似和差异的模式)，并在这样做的过程中，确定了许多被传统方法遗漏的微弱关系。

具体来说，作者报告了一个计算框架，可以在规模上(跨越无数蛋白质)检测和量化这种蛋白质关系，以一种新颖、灵活和细致的方式，将基于深度学习的方法与一种新的概念模型(称为Urfold)相结合，该模型允许两种蛋白质表现出结构相似性，尽管具有不同的拓扑结构或“折叠”。

Bourne、Mura和Draizen与Stella Veretnik合作完成了这个项目。所有作者都是伯恩和穆拉计算生物科学实验室的成员，该实验室是数据科学学院和弗吉尼亚大学生物医学工程系的一部分。

该出版物是伯恩实验室多年来开发这个名为DeepUrfold的人工智能驱动框架的成果，该框架使Urfold结构关系理论能够得到系统和大规模的探索。

利用DeepUrfold，伯恩实验室的研究小组在蛋白质宇宙中发现了蛋白质之间微弱的结构关系，这些关系在进化或其他方面被认为是不相关的。

在捕获和描述这些遥远的关系时，DeepUrfold从“社区”的角度来看待蛋白质关系，并避免了将蛋白质分类为单独的、不重叠的箱子的传统方法。总的来说，这些新的方法方法可以推动研究人员超越静态的、几何的蛋白质相似性的思考，而走向更综合的方法。

伯恩是数据科学学院的创始院长，他的研究在科学界享有盛誉，包括更广泛的结构生物信息学和计算生物学。在他职业生涯的早期，他共同领导了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，帮助彻底改变了该领域，并为AlphaFold等当代人工智能的发展铺平了道路。

Mura在UVA数据科学学院和生物医学工程系任职，在结构和计算生物学方面拥有广泛的背景，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来看待生物系统，并探索这些领域与数据科学的交集。

Draizen在伯恩的指导下获得弗吉尼亚大学生物医学工程博士学位，目前在加州大学旧金山分校担任计算生物学博士后学者。

Veretnik是弗吉尼亚大学的高级研究科学家，专注于计算生物学和蛋白质折叠的结构、功能和进化。

你可以在《自然通讯》网站上阅读全文，标题为“蛋白质结构的深度生成模型揭示了跨越连续折叠空间的遥远关系”。