综述:基于AlphaFold的肽结构预测:机遇、局限与未来方向

《Biotechnology Advances》:AlphaFold-based peptide structure prediction: Opportunities, limitations, and future directions

【字体: 大 中 小 】 时间:2026年07月10日 来源:Biotechnology Advances 14.1

编辑推荐:

  准确预测肽结构及肽-受体复合物是合理肽药物开发的关键。然而,短肽及无序肽固有的构象灵活性构成了根本性挑战。AlphaFold模型系列(从AlphaFold2到AlphaFold-Multimer再到AlphaFold3)通过几何推理(不变点注意力机制)和界面聚

  
准确预测肽结构及肽-受体复合物是合理肽药物开发的关键。然而,短肽及无序肽固有的构象灵活性构成了根本性挑战。AlphaFold模型系列(从AlphaFold2到AlphaFold-Multimer再到AlphaFold3)通过几何推理(不变点注意力机制)和界面聚焦置信度指标(ipTM评分)的创新,显著推进了计算肽结构预测,在单体肽结构和多链复合物方面均实现了高精度。然而,这些模型输出静态构象,而许多生物活性肽仅在结合时采用其功能构象——这通常对应低概率状态,静态预测可能忽略这些状态,导致虚拟筛选失败。本综述整合了AlphaFold系列在肽研究与应用中的最新进展,讨论了它们在结构预测和受体结合分析方面的当前优势,并考察了其在捕获构象动态、瞬时相互作用及化学修饰方面的局限性。近期研究建议采用整合计算策略,即将AlphaFold预测与分子动力学模拟、自由能计算及系综采样相结合,以提高预测准确性并更好地表征肽-药物相互作用的动态特性。这些互补方法使AlphaFold成为结构引导肽药物设计中的核心计算平台,能够实现更高效的先导化合物识别与优化,同时弥合静态计算预测与肽治疗复杂生物物理现实之间的差距。
**1. 引言**

治疗性肽在生物制药领域已成为不可或缺的治疗药物。与小分子或大分子药物相比,治疗性肽具有适中的分子大小和复杂度,能够以高特异性调节蛋白质-蛋白质相互作用,参与信号通路调控,并作为受体的选择性抑制剂或激活剂。然而,治疗性肽仍面临稳定性有限、易被蛋白酶降解、半衰期短以及膜通透性和生物利用度低等主要挑战,这些特性与肽构象和结构动态密切相关。肽分子具有高度构象柔性,在自由状态下常呈现无序结构,在与靶蛋白结合时发生显著构象重排。因此,准确高效的肽及肽-蛋白质复合物结构预测对肽药物开发至关重要。

基于深度学习的AlphaFold系列近年来改变了结构生物学中蛋白质结构预测的实践。AlphaFold2在CASP14竞赛中达到近实验精度,AlphaFold-Multimer将能力扩展至多链复合物,AlphaFold3及其衍生物则进一步将预测覆盖范围扩展到肽、核酸及小分子,为肽药物结构预测奠定了更坚实的计算基础。本综述全面概述了AlphaFold模型系列的演变,重点聚焦其在治疗性肽研究和肽药物开发中的应用,总结了各代AlphaFold的预测进展及其与肽结构预测的相关性,进一步考察了AlphaFold在肽结构分析、肽-蛋白质相互作用建模及肽药物开发中的当前应用,并总结了AlphaFold在肽药物设计中的当前局限,指出了前瞻研究方向。

**2. AlphaFold用于肽结构预测的演变**

**2.1 肽结构表征的重要性与挑战**

在基于深度学习的预测模型发展之前,肽结构主要通过核磁共振(NMR)、X射线晶体学及低温电子显微镜等实验技术表征。然而,许多肽分子小且构象灵活,在溶液中常呈现多种结构而非单一稳定状态,使实验表征困难、耗时且要求高。AlphaFold系列的出现提供了实用的计算途径,使结构建模更易获取。同时,肽的高灵活性、有限进化信息及频繁的化学修饰等问题对基于AlphaFold的预测构成了重要挑战。

**2.2 AlphaFold1**

AlphaFold1采用卷积神经网络分析多序列比对(MSA)衍生的进化相关性,预测残基间空间距离和接触概率,进而通过距离几何和能量最小化转化为三维(3D)蛋白质结构。AlphaFold1显著提高了预测效率和准确性,使缺乏同源模板的蛋白质结构建模成为可能。然而,对于短且高度灵活的肽(尤其是少于50个残基的),AlphaFold1的预测精度有限,对环肽或高度无序肽表现不佳,且无法显式建模溶剂效应、构象动态或化学修饰残基。

**2.3 AlphaFold2**

AlphaFold2采用基于注意力机制的网络,通过Evoformer模块迭代更新单倍体和配对表示,并通过专用结构模块直接预测3D原子坐标,其中采用不变点注意力(IPA)机制以SE(3)-等变方式处理蛋白质主链。AlphaFold2在短肽和有序肽片段的预测上显著优于AlphaFold1,尤其对含稳定二级结构元素的肽具有较低主链RMSD。然而,AlphaFold2主要训练于天然蛋白质晶体结构,对短肽中的高柔性区域、非标准氨基酸修饰及结合诱导的构象动态过程仍存在显著局限。近期研究通过MSA子采样或结合扩散/流匹配生成框架来促进构象采样,但依赖于足够深的MSA。

**2.4 AlphaFold蛋白质结构数据库(AlphaFold DB)**

AlphaFold DB由DeepMind与EMBL-EBI联合建立,提供高分辨率单体蛋白质结构预测,输出包括预测结构、逐残基置信度(pLDDT值)和预测对齐误差(PAE矩阵)。数据库覆盖大量蛋白质组,为计算和实验研究人员提供了可访问的结构资源。在肽药物发现中,AlphaFold DB有助于识别潜在药物靶点和肽结合位点,降低早期药物设计的实验时间和成本。但数据库仅包含单体蛋白质静态构象,无法全面捕获高灵活短肽的构象系综、非共价结合动态或化学修饰对环肽的结构影响。

**2.5 AlphaFold-Multimer**

AlphaFold-Multimer是针对多链复合物预测优化的AlphaFold2实现,通过引入复杂的训练数据、链感知裁剪和索引编码,增强跨链进化信号检测,并输出接口预测TM评分(ipTM)。其在肽-蛋白质和抗体-抗原复合物中达到实验级精度,能自动从序列信息预测肽对接姿势和结合残基。但预测精度对高灵活肽或非天然变体有限,且为静态预测,无法捕获动态结合过程或瞬时中间态,因此更适合作为初始模板,随后通过MD模拟或自由能计算细化。

**2.6 AlphaFold3及其他更新模型**

AlphaFold3整合了基于扩散的生成模块,扩展训练数据集以涵盖蛋白质、核酸、小分子、配体及化学修饰残基,用扩散生成框架替代原始结构模块,实现多组分生物分子复合物的结构预测。在肽药物发现中,AlphaFold3将预测扩展到肽-蛋白质、肽-受体及修饰肽-小分子系统,但对化学修饰肽(如D-肽)的预测精度仍有限,且相比AlphaFold2更容易产生幻觉。近年来出现了多个模仿AlphaFold3的开源框架(如HelixFold3、Protenix、Chai-1)以及具有独特架构的RoseTTAFold All-Atom和Boltz系列,后者在最新版中整合了结合亲和力估计。

**3. 基于AlphaFold的治疗性肽建模**

**3.1 治疗性肽的结构预测**

治疗性肽作为独立分子实体时,关键挑战在于准确定义其固有构象景观。AlphaFold系列及其衍生物(如ColabFold)对短肽(尤其是抗菌肽、抗癌肽和信号肽)表现出较强的预测性能,能可靠地从序列进化信息推断主导构象。系统基准测试表明,AlphaFold2对α-螺旋、β-发夹和二硫键富集肽的预测与实验结构高度一致。AlphaFold3进一步扩展到生物分子复合物的建模。然而,对于含有化学修饰或非天然氨基酸的肽,当前AlphaFold模型仍存在显著局限,常需结合MD模拟的混合方法以提高结构可靠性。

**3.2 利用基于AlphaFold的模型研究肽-蛋白质相互作用**

当肽通过靶标结合发挥作用时,核心挑战转向肽-蛋白质界面的准确建模。常规分子对接方法计算成本高且效率有限。AlphaFold-Multimer提供了无模板框架,在肽-蛋白质测试集上显著优于经典对接方法。例如,对112个复合物,66个获得可接受或更好模型,25个达到高质量水平。AlphaFold-Multimer还可作为二元相互作用预测器。但需谨慎评估基准性能,部分成功可能反映训练集与测试集重叠。肽配体常以构象系综存在,单一静态评估指标可能不全面。因此,AlphaFold-Multimer模型更适用于作为后续MD模拟和构象探索的初始结构框架。

**3.3 AlphaFold在肽药物发现与优化中的应用**

在应用层面,基于AlphaFold的模型已应用于多种受体类别,包括G蛋白偶联受体(GPCR)、神经肽受体、蛋白酶及免疫检查点受体,以提供结构模板促进肽药物发现。例如,AlphaFold2结合同源建模解析了孤啡肽与NOP受体的活性复合物;AlphaFold预测的小原胰岛素结构作为MD模拟初始构象,用于研究C-肽动态。在肽-MHC系统中,基于AlphaFold的工作流对数百个MHC-肽复合物建模,精度优于早期工具。此外,AlphaFold还被部署于片段化酶抑制剂的早期发现中,作为高通量筛选的结构过滤器。

**4. 环肽在药物发现中的机遇与AlphaFold挑战**

**4. 环肽在药物发现中的机遇与AlphaFold挑战**

**4.1 环肽的结构约束与预测挑战**

环肽通过头尾环化、侧链连接或二硫键形成环状骨架,有效限制构象自由度,从而增强结合亲和力和稳定性。其主链扭角受环大小和交联位置约束,导致多个孤立局部极小值并存,功能构象仅占较低比例。这些特征使基于静态优化的结构预测模型难以准确预测环肽。

**4.2 基于AlphaFold模型的环肽结构预测性能**

AlphaFold2在结构稳定的环肽系统中表现出一定优势,但无法显式处理头尾环化或拓扑约束,可能导致几何不合理的闭环构象。为此,衍生物HighFold2引入环位置偏移编码策略,显著提升了环肽封闭链结构稳定性和几何合理性。但AlphaFold2及早期衍生物对含非天然氨基酸或化学修饰的环肽预测能力仍有限。AlphaFold3通过扩展训练数据集和改进生成策略,在复杂环肽系统中生成更合理的初始构象。专门为环肽开发的CyclicBoltz1进一步增强了非天然氨基酸预测能力,但高修饰环肽的预测精度仍多变。

**4.3 环肽-蛋白质相互作用及对药物设计的启示**

环肽在调节蛋白质-蛋白质相互作用、蛋白酶抑制及抗菌抗肿瘤开发中具有独特调控潜力。AlphaFold-Multimer和AlphaFold3可成功预测环肽与蛋白质受体的潜在结合构象,识别关键界面残基和空间匹配关系。然而,这些输出本质仍是静态结构模型,无法捕获伴随结合过程的构象重排和能量再分配,更适合作为MD模拟和自由能计算的初始模型。

**5. 局限与展望**

AlphaFold系列在肽药物开发中面临根本性局限:训练数据主要来自稳定晶体结构,偏向有序构象;对高灵活肽或化学修饰肽预测困难;输出静态单一(或少数)高置信构象,忽略低丰度但功能相关的结合能力构象;置信度指标(pLDDT、pTM)主要反映结构一致性而非功能性质,与结合亲和力相关性差。此外,AlphaFold-Multimer对瞬时相互作用的预测精度急剧下降,且无法直接估计结合自由能、解离动力学等能量参数。对临床肽常用的化学修饰(如环化、D-氨基酸引入),模型精度显著降低。

未来发展方向包括:扩展训练数据以涵盖化学修饰残基和主链环化支架;在预测框架中集成学习型能量函数以提供热力学信息;实现系综预测能力以捕获多个低能构象状态;针对特定肽类别开发任务微调变体。最具成效的策略是建立混合工作流,将AlphaFold预测与MD模拟、自由能估算和实验验证相结合,形成迭代计算-实验循环。

**6. 结论**

AlphaFold模型系列通过在不同生物背景下实现快速、准确的肽结构和肽-受体复合物预测,从根本上改变了计算肽药物发现。与MD模拟、界面评分指标和高通量筛选整合后,AlphaFold预测有效支持早期药物发现中的候选优先排序和先导优化。随着模型进一步优化并与互补计算及实验方法结合,基于AlphaFold的方法将日益成为合理肽药物设计与开发中的核心计算平台。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号