Вычислительные методы предсказывают, как белки сворачиваются в свои функциональные трёхмерные структуры.Предсказание сворачивания белков — это вычислительная задача определения трёхмерной нативной структуры белка по его аминокислотной последовательности. Поскольку функция белка тесно связана с его формой, знание свёрнутой структуры имеет решающее значение для понимания биологических процессов, разработки лекарств и создания новых белков. Задача formidable: число возможных конформаций астрономически велико, однако белки сворачиваются в свои функциональные формы за миллисекунды — этот парадокс известен как парадокс Левинталя. Современные методы предсказания сочетают физические расчёты энергии с машинным обучением, особенно с глубокими нейронными сетями, достигая точности, близкой к экспериментальной, для многих белков.
Проблема сворачивания белков была сформулирована в 1960-х годах Кристианом Анфинсеном, который показал, что аминокислотная последовательность определяет нативную структуру. Вычислительные попытки предсказания начались в 1970-х годах, но крупные прорывы произошли в 2020 году с AlphaFold2, который достиг точности, близкой к экспериментальной, в соревновании CASP14, за чем последовали дальнейшие улучшения и более широкое внедрение.
Современные подходы, такие как AlphaFold и связанные с ним инструменты, используют двухкомпонентную стратегию. Во-первых, они используют эволюционную информацию: сравнивая последовательности многих родственных белков, они делают вывод о том, какие пары аминокислот, вероятно, контактируют в свёрнутой структуре. Во-вторых, они применяют модели глубокого обучения, которые обрабатывают эти данные совместной эволюции вместе с физическими ограничениями, итеративно уточняя предсказанную трёхмерную структуру. Нейронные сети обучаются на тысячах известных белковых структур, изучая сложные правила, которые сопоставляют последовательность с геометрией. Результатом является ранжированный список кандидатных структур с оценками достоверности для каждой области, которые исследователи затем могут проверить экспериментально.
Точное предсказание структуры белков ускоряет открытие лекарств, позволяя проводить виртуальный скрининг соединений против белковых мишеней, помогает в создании ферментов для промышленных процессов и способствует интерпретации мутаций, вызывающих заболевания, в персонализированной медицине.
Новейшие модели предсказания могут свернуть типичный белок за несколько минут на одном GPU, тогда как моделирование с нуля на суперкомпьютере заняло бы годы.
| σ_χA | переменная | сечение рассеяния частицы χ на ядре A — сечение м² |
| σ_χB | переменная | сечение рассеяния частицы χ на ядре B — сечение м² |
| μ_χA | переменная | приведённая масса частицы χ и ядра A — reduced mass кг |
| μ_χB | переменная | приведённая масса частицы χ и ядра B — reduced mass кг |
| Z | переменная | Байесовское свидетельство (маргинальное правдоподобие) — байесовское свидетельство |
| Θ | переменная | Вектор параметров — parameter vector |
| L(Θ) | переменная | Функция правдоподобия — likelihood function |
| π(Θ) | переменная | Априорная плотность вероятности — prior probability density |
| ∫ | оператор | Интегрирование по пространству параметров — интегральный оператор |
| dΘ | оператор | Бесконечно малый элемент объёма — volume element |
| x | переменная | случайная величина |
| σ | переменная | масштабный параметр |
| sech | оператор | функция гиперболического секанса — hyperbolic secant |







