11 月 30 日，一条重磅消息引发了科技界所有人的关注：谷歌旗下人工智能技术公司 DeepMind 提出的深度学习算法「Alphafold」，在国际蛋白质结构预测竞赛（CASP)上击败了其余的参赛选手，其能够精准地给予氨基酸序列，预测蛋白质3D结果。破解了出现五十年之久的蛋白质分子折叠问题。
2020年11月30日，DeepMind宣布了一项重要突破：他们最新版本的AI系统AlphaFold，被CASP的组织者认定为是生物学50年来重大挑战“蛋白质折叠问题”的解决方案。
CASP14 组织者、年近七旬的 UC Davis 科学家 Andriy Kryshtafovych 在大会上感叹道，I wasn't sure that I would live long enough to see this（我活久见了）。
导语：蛋白质的形状与其功能密切相关，能够预测这种结构可使人们更好地了解它的功能和工作原理，从而突破世界上许多强有力的挑战，如开发疾病治疗方法或寻找分解工业废物的酶等。因此在过去50年里，“蛋白质折叠问题”一直是生物学界的一个挑战。近日，谷歌旗下人工智能技术公司 DeepMind 提出深度学习算法「Alphafold」，破解了这一难题。
前不久，DeepMind放出大招AlphaFold。在“蛋白质结构预测奥运会”CASP13比赛中，力压其他参赛者。
细节详见： CASP 15结果地址：https://predictioncenter.org/casp15/zscores_RNA.cgi
谷歌旗下公司DeepMind最新研制出的人工高智能系统AlphaFold在蛋白质结构预测技术评估试验CASP（Critical Assessment of Structure Prediction）以58%的准确率获得冠军，并大幅领先第二名。
人工智能和机器学习已经证明了其在预测化学性质和小分子合成设计中的潜在作用。数据驱动的合成路线设计是由MLPDS(Machine Learning for Pharmaceutical Discovery and Synthesis)联盟开发和评估的一部分，该联盟包括MIT和13个化学和制药公司成员。他们一起写了“Current and Future Roles of Artificial Intelligence in Medicinal Chemistry Synthesis”刊登于2020年4月JMC，分享了如何将预测模型整合到药物合成工作流程中，如何在MLPDS成员公司中使用预测模型以及该领域的前景。
CASP（www.predictioncenter.org）每两年举行一次，迄今已经举办13届。该比赛旨在吸引计算机科学、生物物理学等不同领域的专家参与到蛋白质三维结构预测这一极具挑战性的生物信息学问题中来，共同评估发展现状和讨论未来的趋势。被誉为蛋白质结构预测领域“奥林匹克”比赛。
2022年12月13日，Nature杂志发表新闻文章After AlphaFold: protein-folding contest seeks next big breakthrough，文章讨论了AlphaFold对CASP的影响，以及CASP的新突破方向。
蛋白质是生命的基石，负责细胞内发生的大部分事情。蛋白质的工作方式和功能由其三维形状决定-"结构即功能 "是分子生物学的公理。
“我有一个要研究的蛋白，但我不知道它的结构和功能”——这是分子和细胞生物学家每天面临的最大难题之一。[1] 随着氨基酸测序技术的不断发展，越来越多的蛋白质序列得以被高通量地读取，但是从这个一维序列本身到能够解出实际的三维结构，仍然还有很大的距离。
近期，在第15届国际蛋白质结构预测竞赛 (The Critical Assessment of protein Structure Prediction ，以下称CASP15) 上，智峪生科获得了一冠一亚，表现惊艳。
编辑/萝卜 前不久，华盛顿大学 Davide Baker 团队开发的 RoseTTAFold和DeepMind 团队开发的 AlphaFold2 源代码公布，并在同一天分别发表在《Science》《Nature》两大期刊上，使得基于深度学习进行蛋白质结构预测再次成为 AI 社区热议的话题。 说起用深度学习预测蛋白质结构，就不得不提到芝加哥丰田计算技术研究所的许锦波教授，他带领的团队开发的 RaptorX 将 ResNet 应用到蛋白质结构预测，大大地提高了预测精度，被认为是该领域第一个在实验上可行的深度学
今天给大家介绍一篇Nature Machine Intelligence期刊的论文“AmoebaContact and GDFold as a pipeline for rapid de novo protein structure prediction”，该工作由清华大学龚海鹏课题组完成。本文提出一种基于机器学习的残基Contact预测方法辅助蛋白质结构从头预测，不仅改善了预测精度，而且提高了预测速度。
2018年的11月2日，在第13届全球蛋白质结构预测竞赛（CASP）上，AlphaFold获得了预测43种蛋白中的25种蛋白结构的最高分，在98名参赛者中排名第一。
今天小编为大家带来一篇细胞焦亡构建预后模型+实验验证发表高分文章的例子。文章发表在Journal of Translational Medicine，题目为Systemanalysis based on the pyroptosis-related genes identifies GSDMC as a novel therapy target for pancreatic adenocarcinoma。
近日，天壤 XLab 发布蛋白质结构预测平台 TRFold，其最新版本的预测精度接近 AlphaFold2，达到世界领先水平。
蛋白质结构和功能的形成，很大程度上取决于侧链原子间的相互作用，因此，精准的蛋白质侧链预测（PSCP）是解决蛋白质结构预测和蛋白质设计难题的关键一环。但此前蛋白质结构预测大多聚焦于主链结构，侧链结构预测始终是一个未被完全解决的难题。
2021年7月15日，DeepMind团队在Nature杂志上发表了文章"Highly accurate protein structure prediction with AlphaFold"，描述了AlphaFold2是一个基于神经网络的全新设计的AlphaFold版本，其预测的蛋白质结构能达到原子水平的准确度。
细胞焦亡（Pyroptosis）又称细胞炎性坏死，是一种程序性细胞死亡，表现为细胞不断胀大直至细胞膜破裂，导致细胞内容物的释放进而激活强烈的炎症反应。细胞焦亡是机体一种重要的天然免疫反应，在抗击感染中发挥重要作用。细胞焦亡是由gasdermin介导的细胞程序性坏死。
今天给大家介绍一篇2022年4月发表在frontiers in Immunology（7.561）上的一篇文章。作者基于TCGA数据集构建细胞焦亡相关的预后模型，可以准确预测MIBC患者的生存期和免疫治疗反应。
2021 年夏天，对于蛋白质结构预测领域来说是一个丰收的季节。7 月 15 日 DeepMind 团队与华盛顿大学 David Baker 团队分别开源了 AlphaFold2 与 RoseTTAFold，这可以说是蛋白预测领域一件里程碑式的事件。
在之前的内容中，曾经讲解过蛋白质的表达法，称之为SMILE。当时是研究做durg-target interaction预测的。现在我们来看alphaFold的算法的思路。alphaFold是一种极为巧妙的应用。在这个药学领域中，AI发挥的作用和意义，非同寻常。
9月21日，生理学和医学领域的顶级大奖拉斯克（The Lasker Awards）奖揭晓了！
细胞焦亡是一种新型的程序性细胞死亡形式，可以调节肿瘤细胞增殖、入侵和转移，从而影响癌症患者的预后。
---- 新智元报道 编辑：Britta 【新智元导读】现在，由DeepMind开发的蛋白质预测工具AlphaFold 2，不仅已经被超过100万名研究人员用于自己的研究，甚至直接「改变了」科学史。 牛津大学教授Matthew Higgins正在与一个经典的令人头痛的问题作斗争：蛋白质到底是什么样子的？ 自2005年以来，他的实验室就一直在关注于疟疾的相关问题。 传统技术只能生成蛋白质结构的模糊轮廓，这让Higgins感到困惑。 不过，通过使用一种名为AlphaFold 2的新人工智能技术，他破解
2021年8月18日，密西根大学张阳教授团队在Nature Communications上发表论文“Improving fragment-based ab initio protein structure assembly using low-accuracy contact-map predictions”。基于序列的接触预测在辅助非同源蛋白质结构建模方面具有相当大的前景，但这种方法通常需要许多同源序列以及足够数量的正确接触才能实现蛋白质的正确折叠。作者研究开发了一种方法：C-QUARK，它集成了多个深度学习方法和基于共进化分析预测得到的接触图，实现基于副本交换蒙特卡罗方法片段组装过程，是QUARK的增强版。该方法在第13次CASP赛事（蛋白质结构预测领域的奥利匹克竞赛）中FM（无模板）蛋白质结构建模盲测中相比其他基于接触图的非同源蛋白质建模方法更具有显著优势，证明了C-QUARK即使在同源序列少或接触预测精度不高时也可以实现蛋白质三维结构的有效预测。
蛋白质是具有重要功能的生物大分子，其功能主要由蛋白质的三级结构决定。蛋白质结构可通过核磁共振、X射线晶体学和低温电镜等实验技术测定，然而这些实验技术有其局限性，无法跟上蛋白质序列测定的增长速度。近几年，利用深度学习技术，蛋白质结构预测取得了重大进展，能够得到较为准确的三级结构。今天为大家介绍的这篇文章，是中科院计算所卜东波老师实验室发布的关于蛋白质结构“从头预测”算法的最新研究成果（原文见https://www.nature.com/articles/s41467-021-22869-8）。以CopulaNet为核心，卜东波老师实验室开发了新版的蛋白质结构预测软件ProFOLD，预测软件源代码见http://protein.ict.ac.cn/ProFOLD，预测服务器见http://protein.ict.ac.cn/FALCON2/，欢迎大家使用ProFOLD预测蛋白质结构。
今天带来的是美国乔治亚州亚特兰⼤⽣物科学学院系统⽣物学研究中⼼的Jeffrey Skolnick课题组发表在Nature上的AF2Complex predicts direct physical interactions in multimeric proteins with deep learning。
蛋白质是生命的基础，可以单独或一起工作以构建、管理、提供燃料、保护并最终破坏细胞。为了发挥作用，这些长链氨基酸扭曲、折叠并交织成复杂的形状，这些形状可能很慢，甚至不可能破译。科学家们一直梦想着根据蛋白质的氨基酸序列简单地预测蛋白质的形状——这种能力将开启一个洞察生命运作的世界。马里兰大学的结构生物学家 John Moult 说，“这个问题已经存在了 50 年，很多人都对此感到头疼”。
2022年7月28日，DeepMind官方网站发布AlphaFold最新进展：AlphaFold已经确定了地球上几乎所有已知生物体中大约2亿种蛋白质的结构。
近日，人工智能企业天壤对外宣布，其自研的深度学习蛋白质折叠预测平台TRFold在基于CASP14（2020年第14届国际蛋白质结构预测竞赛）蛋白质测试集的企业内测中，获得82.7/100的成绩（TM-Score），已经超过来自华盛顿大学的生物学家David Baker团队研发的RoseTTAFold 81.3/100的成绩，仅次于AlphaFold2的91.1/100的成绩。在400个氨基酸的蛋白链预测时，TRFold仅耗时16秒。
机器之心报道 机器之心编辑部 这是科学激动人心的新一步。我们将直播解读这两研究，详见文后。 使用 氨基酸 序列预测蛋白质形状的 AphaFold2，终于开源了。 众所周知，蛋白质是生命活动的基本组件，它们可以单独存在，也会协同工作。为了发挥作用，这些长链氨基酸扭曲、折叠并交织成复杂的形状，这些形状可能很难，甚至根本不可能破译。 科学家们一直在梦想通过基因序列简单地预测蛋白质形状——如果能够成功，这将开启一个洞察生命运作机理的新世界。然而近五十年来，人们的进展缓慢。 7 月 15 日，《自然》杂志一篇论文被接
2021年11月23日，Nature杂志发表文章Artificial intelligence powers protein-folding predictions。在该文章中，多位专家对AI应用于蛋白质折叠预测的现状和问题进行了评述。
基因是构造生命的基本蓝图，而蛋白质则是生命功能的执行者和生命现象的体现者。细胞中的蛋白质主要是通过与细胞内其它蛋白质的相互作用来实现其绝大部分生物学功能。因此，蛋白质-蛋白质相互作用（简称“蛋白质互作”）在生命功能的实现以及生物的进化过程中都扮演极其重要的角色。例如，抗体和抗原蛋白相互作用可以帮助生命个体识别和抵御外界病原体的入侵；受体和配体蛋白相互作用可以触发细胞信号传导通路；酶蛋白和底物相互作用可以催化新陈代谢的进程等等。它们在生物功能上的这种特殊的重要性，也使得蛋白质互作成为许多现代药物设计的关键靶点。
今天给大家介绍的是由英国谢菲尔德大学Fowler和Williamson教授发表在Cell（Structure）上的文章”The accuracy of protein structures in solution determined by AlphaFold and NMR” 本文采用一种称为ANSURR的方法，来评估AlphaFold2预测结构和核磁共振（NMR）结构的准确性；以此作者比较了904种人类蛋白质的AlphaFold2和NMR结构，找到了不同情况下，两者准确性的差异。
万博 发自 凹非寺 量子位 | 公众号 QbitAI 计算生物领域，出现一则最新进展： AI预测蛋白质3D结构，仅通过单条蛋白序列就能搞定。 也就是说，AI预测蛋白质结构，可以不需要蛋白质进化过程中的同源信息。一些人工设计的蛋白质药物和工业合成用酶，也可以通过AI预测3D结构，确定其对人体的功能。 达成这一成就的AI算法名为OmegaFold，在最近的全球持续蛋白质预测竞赛中，整体预测能力已经与DeepMind此前开发的AlphaFold2，和华盛顿大学开发的RoseTTAFold不相上下，甚至有些指标优于
2021年7月15日，华盛顿大学蛋白设计研究所David Baker教授课题组及其他合作机构在Science上发表论文"Accurate prediction of protein structures and interactions using a three-track neural network"，公布了其开源蛋白质预测工具RoseTTAFold的研究结果。
nature和Science两本杂志一直相爱相杀，总是喜欢争着发表科学领域中的重大发现、重要突破，抢夺大师文章的发表版权。
1. 圈定搜索数据库（外文有：MEDLINE、the Cochrane library、医学文摘、TOXLINE、OVID、EMBASE、ISI Web of Science、EBSCO等；国内有：维普全文VIP、CNKI、万方数据库）
蛋白质对于生命至关重要，几乎所有疾病，包括癌症、痴呆症都与蛋白质的结构和功能息息相关。数以亿计的蛋白质结构含有丰富的生物信息，既可以用于生物过程推理，也可以用于药物开发或药物干预。然而，经过几十年的努力，科学家们只预测了人类蛋白质序列中17%的氨基酸残基。
胃癌患者体内的幽门螺旋杆菌以及化疗药物可能会诱导细胞焦亡发生。然而，仍然缺乏使用细胞焦亡基因对胃癌进行预后评估的相关研究。
今天为大家介绍的是来自Jinbo Xu研究团队的一篇关于蛋白质结构预测的论文。蛋白质侧链装配（Protein side-chain packing，PSCP）是指在只给定主链原子位置的情况下确定氨基酸侧链构象的任务，对蛋白质结构预测、精化和设计具有重要应用。了解决这个问题，作者提出了AttnPacker，一种用于直接预测蛋白质侧链坐标的深度学习（DL）方法。与现有方法不同，AttnPacker直接利用主链的三维几何信息，同时计算所有侧链的坐标，而无需借助离散的构象库或进行昂贵的构象搜索和采样步骤。这大大提高了计算效率，相比基于DL的方法DLPacker和基于物理的RosettaPacker，推理时间减少了超过100倍。
编辑 | 绿萝 1 月 11 日，在机器之心 AI 科技年会上，分子之心创始人、美国芝加哥丰田计算技术研究所终身教授、清华大学智能产业研究院（AIR）卓越访问教授许锦波发表主题演讲《AI 蛋白质设计最新进展》，在演讲中，他介绍了蛋白质结构预测与蛋白质设计，他表示 AI 蛋白质结构预测只是一个开始，分享了分子之心开发的 AI 蛋白优化和设计平台——MoleculeOS，以及在蛋白质侧链、抗体抗原复合物结构预测的最新研究成果。「人工智能颠覆了蛋白质结构预测，并正在改变蛋白质优化设计。」 以下为许锦波在机器之心
最新消息，全球持续蛋白质结构预测竞赛CAMEO（Continous Automated Model EvaluatiOn）上，DeepMind旗下AlphaFold2的纪录被刷新。
蛋白质由氨基酸经脱水缩合反应形成，可折叠为复杂的 3D 空间结构，是生物体内执行各种功能（催化生物化学反应、传递信号）的主要分子，而其中蛋白质的侧链结构对其功能至关重要。侧链的化学性质和空间排列决定了蛋白质如何折叠，以及蛋白质如何与其他分子（包括其他蛋白质、DNA、RNA、小分子等）相互作用。这些相互作用可以是氢键、离子键、疏水相互作用和范德华力等。理解这些相互作用，可以帮助我们更好的寻找药物与受体的结合位点，设计催化效果更强的酶。因此，准确预测蛋白质的侧链构象对于理解蛋白质的功能和设计新的药物至关重要。
衡宇 梦晨 发自 凹非寺 量子位 | 公众号 QbitAI AI蛋白质结构预测赛道，国产模型又有吸睛表现： 在蛋白质结构预测竞赛CAMEO上，有支队伍连续四周夺得全球第一。 达成这一成就的是来自清华大学智能产业研究院（AIR）的AIRFold。 △AIRFold 在7.23-8.20的评估中连续四周全球第一 CAMEO竞赛（Continous Automated Model Evaluation）与CASP并列为蛋白质结构预测领域的两大权威竞赛。 不同之处在于CASP两年一届，CAMEO则是持续举办，每周
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
