点击蓝字 关注我们
AI For Science应用正改写着科研的游戏规则。想要在竞争激烈的学术界脱颖而出，发表高分SCI论文不再是遥不可及的梦想。本期公众号，我们一起探讨如何运用蛋白质从头设计的AI Model提升SCI，解锁你的科研新成就！
蛋白质定向改造平台——EvoPro（Evolution Protein）。该算法平台利用先进的ProteinMPNN（基于深度学习的蛋白质序列设计模型）和AlphaFold Multimer（基于深度学习的蛋白质复合物结构预测模型）联合进行蛋白亲和力定向进化的方法。旨在通过迭代优化蛋白序列，提高设计蛋白与目标蛋白的结合能力，进而开发出高效的蛋白药物。
相关应用文献也发表在Science等期刊（https://doi.org/10.1021/jacs.3c10941、https://doi.org/10.1101/2022.06.03.494563）。通过这一高效的计算流程，EvoPro 能够显著提升配体蛋白的亲和力、稳定性和溶解度，为蛋白质工程和机制研究开辟全新路径！
/ EvoPro 定向进化流程/
KJ FOLD AI DOCKING
1. 配体蛋白-受体蛋白建模
精确构建配体蛋白-受体蛋白的复合模型，分析互作位点和关键功能域，对配体蛋白的全长/部分序列进行改造。
2. ProteinMPNN迭代设计
在保证配体蛋白的整体构象和关键结构域不变的情况下，对配体蛋白进行迭代设计，选择性调整氨基酸数量和组成。
3. HDOCK 结合能评价
量化结合能评估优化候选蛋白与受体蛋白的亲和力、稳定性（结合能越低，结合越稳定）。
4. AlphaFold Multimer 整体评价
观察整体置信度，获得优化候选蛋白与受体蛋白的综合得分。以原始配体蛋白-受体蛋白结果为阳性对照，若优化候选蛋白得分低于阳性对照，则重新进入第二轮再次改造进化。
EvoPro — 哪些数据有助于提升文章层次
KJ FOLD AI DOCKING
1. 原始蛋白复合构象：配体蛋白与受体蛋白的结合构象、互作区域。
2. 配体蛋白的改造区域：沟通确定改造的方向和改造氨基酸，在确保酶活性的同时，为配体蛋白提供更高效的解决方案。
3. 优化评价：根据预定的优化方向去评价成功与否，例如亲和力优化，需要HDOCK、AlphaFold Multimer提供结合能评价，可溶性优化需要再次预测溶解度和亲疏水性。
3. 候选配体蛋白信息：根据优化后数值对改造配体蛋白进行排序，提供数值和蛋白序列。
EvoPro 的强大功能不仅提高了蛋白质设计与优化的效率，还显著降低了实验成本，为多领域科研和应用提供了重要助力。
EvoPro — 应用场景
KJ FOLD AI DOCKING
1、受体激动剂/拮抗剂与受体互作设计
2、细胞因子与受体互作调控
3、多肽药物与靶标蛋白互作优化
4、蛋白水解酶底物特异性互作改造
5、纳米抗体与抗原蛋白互作界面增强
6、互作蛋白界面亲和力调控与功能重塑
7、植物抗病蛋白与病原体互作增强
8、生物传感器识别元件互作灵敏度提升
KJ FOLD AI DOCKING
本产品旨在利用前沿的生成模型RFdiffusion从头设计人造高互作蛋白质，并结合Foldseek、HDOCK和AlphaFold 3等先进工具，对天然蛋白质进行筛选和互作预测。我们将这套新型计算工作流程命名为InterProDesign（IPD，Interaction Protein Design）。
相关文献也在今年9月于bioRxiv上预印（https://doi.org/10.1101/2024.09.17.613523）。通过IPD能够更加高效且精准地筛选出与诱饵蛋白相互作用的天然蛋白，为进一步的实验验证提供重要参考。
/InterProDesign 蛋白筛选流程/
KJ FOLD AI DOCKING
参考文献指示该计算工作流程实验验证成功率超过78%，为研究动植物生物机制提供重要的结构生物学信息。
1. RFdiffusion 设计结合物
基于已知诱饵蛋白结合热点的判断，从头设计10条不同长度的高亲和力的互作蛋白质。
2. Foldseek 搜索天然蛋白
在目标物种的蛋白质三维结构数据库中，比对寻找结构相似的天然蛋白，并按分数高低排序（仅保留 bit score>50 的匹配结果）。
3. HDOCK 结合能评价
对于上一轮Foldseek筛选出的结构高相似天然蛋白，评估它们与诱饵蛋白之间的量化结合能，筛选出结合能较低的天然蛋白（结合能越低，结合越稳定）。
4 AlphaFold 3 整体评价
在Hdock结合能（负值）排名靠前候选蛋白，进行AlphaFold3的互作预测。候选蛋白在pTM（模板预测得分）较高的基础上，通过ipTM（界面模板预测得分）去进一步评估候选互作蛋白与诱饵蛋白整体复合结构的置信度。
InterProDesign — 哪些数据有助于提升文章层次
KJ FOLD AI DOCKING
1、诱饵蛋白的结合热点：帮助研究人员更加深入了解诱饵蛋白的结构以及功能域。
2、生成式结合蛋白：交付所有从头设计的人造蛋白，包括序列以及亲和力等信息。
3、结构比对分值：目标物种库中天然蛋白与生成蛋白的结构相似度，有效识别序列相似度低但功能相关的蛋白，扩展了蛋白功能研究的视野。
4、量化结合能分值：从数值的高低直接判断筛选蛋白与诱饵蛋白的亲和力。
5、复合物整体评估分值：将诱饵蛋白与筛选蛋白看做一个整体，从复合物建模的角度去看待复合构象的稳定性和置信度，从另一方面评估是否互作。
6、天然候选蛋白信息：所有候选蛋白的详细信息，包括蛋白质的ID、基因名称、序列、物种、亚细胞定位、功能注释和所属家族等。
KJ FOLD AI DOCKING
关于科晶生物
合肥科晶生物致力于计算机虚拟筛选推动生物学发展，帮助筛选互作蛋白、转录因子、潜在药物以及纳米抗体。关注我们公众号，得到一手科研资讯。
福利来袭！
科晶生物论文出图
免费分子对接等您来领！
0551-64669001
扫码添加客服，即可领取！
▼
AI DOCKING
