返回
Evaluating deep learning based structure prediction methods on antibody-antigen complexes
DOI:10.1093/bioinformatics/btag136.png)
摘要
En 中文
动机 AlphaFold2显著提高了蛋白质复合物结构的预测精度。然而,对于缺乏协同进化信号的相互作用(如宿主-病原体和抗体-抗原相互作用),其准确性较低。为解决此限制,已开发两种策略:大量采样和用不依赖协同进化的pairformer替换evoformer(如AlphaFold3中引入的),从而增强网络的构象推理能力。结果 本研究在未见过的抗体-抗原复合物上评估了结构预测方法。我们发现,增加采样量可提高生成正确蛋白质模型的机会,大致呈对数线性关系。然而,AlphaFold的内部质量评估常无法识别每个目标的最佳预测结构,导致顶级模型相比最佳模型的性能显著下降。对所有方法而言,识别最佳模型仍是重大挑战。我们还证明,AlphaFold3优于AlphaFold2、Boltz-1和Chai-1。此外,AlphaFold3在缺乏与训练集结构相似性的复合物上性能显著下降,表明其已在一定程度上学会检测远程结构相似性。可用性与实现 所有代码可从github.com/samuelfromm/abag-benchmark-set/获取,数据来自DOI: 10.5281/zenodo.17978681,该仓库也包含代码。
Keyword:
AlphaFold3
antibody-antigen complexes
structure prediction
deep learning
coevolution
期刊
IF:
5.4
论文数:
1.4K
被引数:
17.9W
机构
引用论文
Fast and accurate protein structure search with Foldseek使用Foldseek快速准确的蛋白质结构搜索
NATURE BIOTECHNOLOGY
IF41.7
Rapid and sensitive protein complex alignment with Foldseek-Multimer使用Foldseek-Multimer进行快速且灵敏的蛋白质复合物比对
NATURE METHODS
IF32.1
Sampling alternative conformational states of transporters and receptors with AlphaFold2用AlphaFold2采样转运蛋白和受体的替代构象状态
ELIFE
IF0

