摘要：开发了基于alphafold2和分子动力学模拟预测抗体可变区结构的设计流程。使用alphafold2分别建模抗体轻链和重链可变区结构,通过序列比对选出方向模板,从而确定轻链与重链之间的位置,最后借助分子动力学模拟对结构进行优化。选取蛋白质结构数据库中最新发布的30个抗体作为测试,建模结果与真实结构之间的平均RMSD可达到0.077 nm,TMscore可达0.93。结果表明该流程可以准确地预测抗体可变区结构。

摘要：人工智能的飞速发展给生物学研究带来了深远影响,其中,alphafold2在蛋白质结构预测领域引发了革命性的突破。评估了alphafold2对G蛋白偶联受体(GPCR),结构预测的可靠性,凭借其对蛋白质三维结构的高度准确预测。然而,在实际应用中,alphafold2的预测结果并非在所有场景下都足够精确。以GPCR为例,这类重要的药物靶点参与了广泛的生理过程,其结构研究对理解功能机制和药物开发具有重要意义。结果表明,尽管alphafold2能够准确捕捉GPCR整体骨架的主要特征,但其预测模型在胞外域与跨膜域的组装、配体结合口袋的形状,以及信号传导界面的构象等方面,与实验解析的高分辨率结构存在显著差异。这些差异限制了alphafold2模型在GPCR功能研究和基于结构的药物设计中的应用能力。因此,尽管alphafold2为结构预测提供了强大的工具,但其在特定场景下的局限性表明,AI结构预测作为一种辅助工具,尚不能完全取代实验结构生物学,需要联合使用以辅助药理学研究和药物设计。