تتنبأ الطرق الحاسوبية بكيفية طي البروتينات إلى بنيتها ثلاثية الأبعاد الوظيفية.التنبؤ بطي البروتين هو المشكلة الحاسوبية المتمثلة في تحديد البنية الثلاثية الأبعاد الأصلية للبروتين من تسلسل أحماضه الأمينية. نظرًا لأن وظيفة البروتين مرتبطة ارتباطًا وثيقًا بشكله، فإن معرفة البنية المطوية أمر بالغ الأهمية لفهم العمليات البيولوجية، وتصميم الأدوية، وهندسة بروتينات جديدة. التحدي هائل: عدد التشكيلات الممكنة كبير فلكيًا، ومع ذلك تطوى البروتينات إلى أشكالها الوظيفية في أجزاء من الثانية، وهي مفارقة تُعرف بمفارقة ليفينثال. تجمع طرق التنبؤ الحديثة بين حسابات الطاقة القائمة على الفيزياء والتعلم الآلي، وخاصة الشبكات العصبية العميقة، لتحقيق دقة قريبة من التجريبية للعديد من البروتينات.
صيغت مشكلة طي البروتين في ستينيات القرن العشرين على يد كريستيان أنفينسن، الذي أظهر أن تسلسل الأحماض الأمينية يحدد البنية الأصلية. بدأت جهود التنبؤ الحاسوبية في السبعينيات، لكن الإنجازات الكبرى جاءت في عام 2020 مع AlphaFold2، الذي حقق دقة قريبة من التجريبية في مسابقة CASP14، تلتها تحسينات إضافية واعتماد أوسع.
تستخدم الأساليب المعاصرة، مثل AlphaFold والأدوات ذات الصلة، استراتيجية مزدوجة. أولاً، تستفيد من المعلومات التطورية: من خلال مقارنة تسلسلات العديد من البروتينات ذات الصلة، تستنتج أزواج الأحماض الأمينية التي يحتمل أن تكون على اتصال في البنية المطوية. ثانيًا، تستخدم نماذج التعلم العميق التي تعالج هذه البيانات التطورية المشتركة جنبًا إلى جنب مع القيود الفيزيائية، لتحسين بنية ثلاثية الأبعاد متوقعة بشكل متكرر. تُدرَّب الشبكات العصبية على آلاف البنى البروتينية المعروفة، وتتعلم القواعد المعقدة التي تربط التسلسل بالهندسة. الناتج هو قائمة مرتبة من البنى المرشحة، مع درجات ثقة لكل منطقة، يمكن للباحثين بعد ذلك التحقق منها تجريبيًا.
التنبؤ الدقيق ببنية البروتين يسرع اكتشاف الأدوية من خلال تمكين الفحص الافتراضي للمركبات ضد أهداف بروتينية، ويساعد في تصميم الإنزيمات للعمليات الصناعية، ويساعد في تفسير الطفرات المسببة للأمراض في الطب الشخصي.
يمكن لأحدث نماذج التنبؤ طي بروتين نموذجي في دقائق على وحدة معالجة رسومية واحدة، وهي مهمة قد تستغرق سنوات على حاسوب فائق للمحاكاة من المبادئ الأولى.
| σ_χA | متغير | scattering cross section of particle χ with nucleus A — مقطع عرضي square metre |
| σ_χB | متغير | scattering cross section of particle χ with nucleus B — مقطع عرضي square metre |
| μ_χA | متغير | reduced mass of particle χ and nucleus A — reduced mass kilogram |
| μ_χB | متغير | reduced mass of particle χ and nucleus B — reduced mass kilogram |
| Z | متغير | Bayesian evidence (marginal likelihood) — الدليل البايزي |
| Θ | متغير | Parameter vector — parameter vector |
| L(Θ) | متغير | Likelihood function — likelihood function |
| π(Θ) | متغير | Prior probability density — prior probability density |
| ∫ | مؤثر | Integration over parameter space — مؤثر تكاملي |
| dΘ | مؤثر | Infinitesimal volume element — volume element |
| x | متغير | random variable |
| σ | متغير | scale parameter |
| sech | مؤثر | hyperbolic secant function — hyperbolic secant |







