A Perspective on the prospective use of AI in protein structure prediction
Perspective sur l'utilisation prospective de l'IA dans la prédiction de la structure protéique
Résumé
AlphaFold2 (AF2) and RoseTTaFold (RF) have revolutionized structural biology, serving as highly reliable and effective methods for predicting protein structures. This article explores their impact and limitations, focusing on their integration into experimental pipelines and their application in diverse protein classes, including membrane proteins, intrinsically disordered proteins (IDPs), and oligomers.In experimental pipelines, AF2 models aid X-ray crystallography in resolving the phase problem, while complementarity with Mass Spectrometry and NMR data enhances structure determination and protein flexibility prediction. Predicting the structure of membrane proteins remains challenging for both AF2 and RF due to difficulties in capturing conformational ensembles and interactions with the membrane. Improvements in incorporating membrane-specific features and predicting the structural effect of mutations are crucial. For Intrinsically Disordered Proteins, AF2's confidence score (pLDDT) serves as a competitive disorder predictor, but integrative approaches with molecular dynamics simulations or hydrophobic cluster analyses are advocated for accurate dynamics representation. AF2 and RF show promising results for oligomeric models, outperforming traditional docking methods, with AlphaFold-Multimer showing improved performance, however, somes caveats remain in particular for membrane proteins. Real-life examples demonstrate AF2's predictive capabilities in unknown protein structures, but models should be evaluated for their agreement with experimental data. Furthermore, combining AF2 models with molecular dynamics simulations can be used complementarily. In this perspective we propose a "wish list" for improving deep learning-based protein folding prediction models, including using experimental data as constraints and modifying models with binding partners or post-translational modifications. Additionally, a meta-tool for ranking and suggesting composite models is suggested, driving future advancements in this rapidly evolving field.
AlphaFold2 (AF2) et RoseTTaFold (RF) ont révolutionné la biologie structurale, servant de méthodes très fiables et efficaces pour prédire les structures protéiques. Cet article explore leur impact et leurs limites, en se concentrant sur leur intégration dans des pipelines expérimentaux et leur application dans diverses classes de protéines, y compris les protéines membranaires, les protéines intrinsèquement désordonnées (IDP) et les oligomères.
Dans les pipelines expérimentaux, les modèles AF2 aident la cristallographie radiographique à résoudre le problème de phase, tandis que la complémentarité avec les données de spectrométrie de masse et RMN améliore la détermination de la structure et la prédiction de la flexibilité des protéines. Prédire la structure des protéines membranaires reste difficile pour AF2 et RF en raison de difficultés à capturer des ensembles conformationnels et des interactions avec la membrane. Des améliorations dans l'incorporation de caractéristiques spécifiques à la membrane et la prédiction de l'effet structurel des mutations sont cruciales. Pour les Protéines Intrinsèquement Désordonnées, le score de confiance d'AF2 (pLDDT) sert de prédicteur de désordre compétitif, mais des approches intégratives avec des simulations de dynamique moléculaire ou des analyses de cluster hydrophobes sont préconisées pour une représentation dynamique précise. AF2 et RF montrent des résultats prometteurs pour les modèles oligomériques, surpassant les méthodes d'amarrage traditionnelles, avec AlphaFold-Multimer montrant des performances améliorées, cependant, certaines mises en garde subsistent en particulier pour les protéines membranaires. Des exemples réels démontrent les capacités prédictives de l'AF2 dans des structures protéiques inconnues, mais les modèles devraient être évalués pour leur accord avec les données expérimentales. De plus, la combinaison de modèles AF2 avec des simulations de dynamique moléculaire peut être utilisée de manière complémentaire.
Dans cette perspective, nous proposons une "liste de souhaits" pour améliorer les modèles de prédiction du repliement des protéines basés sur l'apprentissage profond, y compris l'utilisation de données expérimentales comme contraintes et la modification de modèles avec des partenaires de liaison ou des modifications post-traductionnelles. De plus, un méta-outil pour classer et suggérer des modèles composites est suggéré, ce qui conduira à de futures avancées dans ce domaine en évolution rapide.
Domaines
Chimie théorique et/ou physique| Origine | Fichiers produits par l'(les) auteur(s) |
|---|