成果：AlphaFold2改进版与交联质谱技术预测蛋白质结构进展

　　大家好，本周为大家分享一篇发表在Nature Biotechnology上的文章，Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning，该文章的通讯作者是德国柏林工业大学的Juri Rappsilber教授和机器人与生物学实验室的Oliver Brock团队。

　　由谷歌公司旗下的DeepMind团队所开发的AlphaFold2对于蛋白质结构的准确预测是一项巨大的成就，其对生命科学的影响仍然在显现。虽然AlphaFold2可以从一级序列预测准确的蛋白质结构，但对于发生构象变化或已知同源序列很少的蛋白质仍然存在挑战。

　　本文介绍了AlphaLink，AlphaFold2算法的一个改进版本，它将实验距离约束信息合并到其网络架构中，通过使用稀疏的实验约束作为锚点，提高了AlphaFold2在预测具有挑战性的目标方面的性能。文章通过使用非典型氨基酸光亮氨酸(Photo-L)，通过交联质谱获得细胞内残基-残基接触的信息，并通过实验证实了这一点。

　　AlphaLink可以根据所提供的距离约束来预测蛋白质的不同构象，证明了实验数据在推动蛋白质结构预测方面的价值。该研究提出的用于集成蛋白质结构预测数据的抗噪声框架为从细胞内数据准确表征蛋白质结构开辟了新道路。

　　AlphaFold2基于静态输入数据预测静态模型，它在两个信息源上进行了训练，即蛋白质数据库(PDB)和多序列比对(MSA)中的蛋白质结构。这种方法受到了那些进化信息不足的目标的挑战，从而产生了不太可信或错误的预测。此外，X射线衍射分析的蛋白结构不能很好地反映结构的灵活性、多种构象和动态相互作用，而在溶液(理想状态下是在细胞内)中观察到的蛋白质的结构约束可以帮助解决这些问题。因此，在 AlphaFold2框架中添加这样的限制，可以引导预测在特定条件下发生的原位结构状态。

　　交联质谱(XL-MS)能够提供距离约束，可用于蛋白质结构预测。特别是，光反应氨基酸(Photo-AA)很容易被原核细胞和真核细胞结合，这为探索蛋白质的原位构象提供了可能性。此外，Photo-AA交联产生了相对紧密的距离限制，与共同进化接触良好对齐，这是大多数蛋白质结构预测方法的基础，包括AlphaFold2。

　　在本文中，作者介绍了AlphaLink，这是一种结构预测方法，它将Photo-AA交联的实验数据直接集成到AlphaFold2体系结构中(图1)。AlphaLink使用深度学习来合并共同进化关系的距离空间和交联数据，充分利用了数据的互补性。作者证明了AlphaLink可以利用嘈杂的实验接触来改善对模拟和真实实验数据上具有挑战性的目标的预测，从而将预测转向蛋白质的原位构象(图2)。为了测试AlphaLink，作者用光亮氨酸进行了大规模的交联质谱研究，文章表明，即使是稀疏交联的质谱数据也可以将预测锚定到特定的构象状态，从而打开了通过混合实验/深度学习方法探测动力学的可能性(图3)。该研究还进一步将 AlphaLink扩展到任意距离约束，引入了将距离约束编码为图表的二次表征(图4、5)。

　　AlphaLink：通过OpenFold将交联技术集成到AlphaFold2中

　　图 1. AlphaLink中的信息流程

　　集成photo-AA交联实现对具有挑战性靶点的抗噪声预测

　　图 2. AlphaLink与AlphaFold2的性能比较

　　Photo-L作为原位结构探针

　　图 3. 在大肠杆菌中的原位photo-L交联质谱

　　利用原位photo-L数据进行构造预测

　　图 4. 利用大肠杆菌膜部分的细胞内photo-L交联质谱数据的结构预测

　　原位探测构象动力学

　　图 5. Photo-AA数据，指导特定构象状态的预测

　　综上所述，本文的研究结果表明，AlphaLink成功地通过深度学习、利用实验距离约束来改善蛋白质结构的预测。文章提出了一个基于Photo-AA交联质谱的工作流程，提供了类接触距离信息，并获得了细胞内第一个大规模的Photo-AA交联质谱数据集。然后，文章在AlphaLink中实现了基于Photo-AA的蛋白质结构预测。本文的方法利用一系列通用接触，以显式距离约束或双图表示，以引导OpenFold管道走向与实验数据一致的结构。因此，本文概述的工作流程为混合实验辅助人工智能预测蛋白质结构提供了一个总体框架，直接在原位研究蛋白质的结构与功能之间的关系，而不需要任何基因操作。

　　撰稿：聂旻涵

编辑：李惠琳

　　原文：Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning

　　李惠琳课题组网址www.x-mol.com/groups/li_huilin

　　参考文献

　　1. Stahl, Kolja et al. “Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning.” Nature biotechnology, 10.1038/s41587-023-01704-z. 20 Mar. 2023, doi:10.1038/s41587-023-01704-z.