摘要
预测和设计蛋白质结构的能力已经在医学、诊断学和可持续化学制造中带来了许多应用。此外，大量预测的蛋白质结构推动了我们对生命分子如何运作和相互作用的理解。为了表彰那些从根本上改变科学家研究和工程蛋白质方式的工作，2024 年诺贝尔化学奖授予了 David Baker，以表彰其在计算蛋白质设计方面的贡献；同时，Demis Hassabis 和 John Jumper 因开发 AlphaFold 进行基于机器学习的蛋白质结构预测而共同获得此奖项。
在此，作者重点介绍了这些计算工具发展的重要贡献及其在有机合成中应用于功能蛋白设计的重要性。值得注意的是，这两项技术深刻影响了药物发现，因为现在任何治疗性蛋白质靶标都可以进行建模，从而实现肽类结合物的 de novo 设计，以及通过体外对接大规模化合物库来识别小分子配体。展望未来，作者重点介绍了蛋白质工程、药物化学和材料设计的未来研究方向，这些方向是由蛋白质科学的这种变革性转变促成的。
结果与讨论
6.2 AlphaFold3
AlphaFold3 是 AlphaFold2 的进一步优化版本，具有更强的生物分子建模能力，支持包括修饰残基、金属、配体和核酸在内的广泛生物分子复合物建模。与 AlphaFold2 专注于蛋白质和蛋白质-蛋白质复合物不同，AlphaFold3 通过独立原子建模，无刚性约束，能够更好地学习分子结构，提高蛋白质-配体相互作用的捕捉能力。
7. 未来方向
论文相关信息
文章信息：Structure Prediction and Computational Protein Design for Efficient Biocatalysts and Bioactive Proteins
文章链接：https://doi.org/10.1002/anie.202421686
