ЯдроКодаподготовка к экзаменам
Подготавливаем текст, источники и редакционные примечания без изменения разметки страницы.
Практический разбор AlphaFold 2 и 3: CASP14, pLDDT, PAE, комплексы биомолекул и ограничения вычислительного прогноза.
AlphaFold часто описывают как систему, которая «решила сворачивание белка». Для практического чтения этого недостаточно. AlphaFold 2 предсказывает трёхмерную структуру по аминокислотной последовательности и сопутствующей информации, а AlphaFold 3 расширяет постановку на комплексы из белков, нуклеиновых кислот, малых молекул, ионов и модифицированных остатков. Обе модели дают вычислительную гипотезу о структуре, а не экспериментальное наблюдение и не готовый вывод о функции или лечении.
Ключевой тест проходил в CASP14 — слепом соревновании по предсказанию структур. Участники получали последовательности белков, структуры которых ещё не были публичны, а независимые организаторы сравнивали прогнозы с экспериментально определёнными целями. Это сильнее обычного случайного train/test split: команда не могла подогнать модель под опубликованные координаты конкретных тестовых объектов.
В статье Nature авторы сообщают медианную точность backbone 0,96 Å RMSD95 на доменах CASP14 против 2,8 Å у следующего метода. Но одно итоговое число не означает, что каждый остаток и взаимное положение каждого домена предсказаны одинаково хорошо. Поэтому вместе с координатами публикуются оценки уверенности.
pLDDT присваивается каждому остатку по шкале от 0 до 100 и оценивает ожидаемую локальную точность окружения. Практическая интерпретация AlphaFold DB обычно разделяет значения так:
Эти пороги не превращают прогноз в бинарный «правильно/неправильно». Низкий pLDDT может отражать внутренне неупорядоченную область, гибкость, нехватку эволюционного сигнала или ошибку. Высокий pLDDT говорит о локальной геометрии, но сам по себе не гарантирует правильное взаимное положение доменов.
Учебная функция помогает не потерять этот смысл при обработке выгрузки:
def confidence_band(plddt: float) -> str:
if not 0 <= plddt <= 100:
raise ValueError("pLDDT должен быть в диапазоне 0..100")
if plddt > 90:
return "очень высокая локальная уверенность"
if plddt >= 70:
return "уверенная модель backbone"
if plddt >= 50:
return "низкая уверенность"
return "очень низкая уверенность или возможная неупорядоченность"
for value in [96.1, 78.4, 61.0, 32.5]:
print(value, confidence_band(value))Такой код только классифицирует уже рассчитанную метрику. Он не проверяет структуру и не должен скрывать исходное числовое значение.
Predicted Aligned Error — матрица для пар остатков. Ячейка показывает ожидаемую ошибку положения остатка X, если предсказанную и истинную структуры выровнять по остатку Y. PAE помогает увидеть, насколько модель уверена во взаимной ориентации доменов и цепей.
Возможна ситуация, когда внутри двух доменов pLDDT высокий, а между ними PAE большой. Тогда каждый домен может быть локально правдоподобным, но их взаимный поворот остаётся неопределённым. Показывать только средний pLDDT для такого белка — потерять важную часть результата.
AlphaFold 3 использует существенно обновлённую архитектуру с diffusion-модулем и предсказывает совместные структуры комплексов, включающих разные типы биомолекул. В статье 2024 года модель сравнивали со специализированными инструментами на задачах protein–ligand, protein–nucleic acid, antibody–antigen и других взаимодействиях.
Это расширение постановки, а не простая «версия AlphaFold 2 с большим датасетом». Меняются представление объекта, выход, тестовые наборы и метрики. Сравнивать номер версии без указания задачи нельзя. Результаты для комплекса также чувствительны к заданному составу: модель не обязана сама обнаружить все молекулы, модификации, стехиометрию и условия среды.
Для найденной записи сначала проверьте идентификатор последовательности и вид организма. Затем смотрите покрытие, pLDDT по остаткам и PAE, а не только красивую 3D-картинку. Сопоставьте уверенность с тем участком, о котором делается вывод: активным центром, границей домена или интерфейсом.
После этого ищите экспериментальные структуры и публикации. Предсказание может помочь сформулировать гипотезу, выбрать конструкцию для эксперимента или понять, где данных недостаточно. Оно не заменяет измерения связывания, динамики, активности и эффекта мутации.
Если результат влияет на медицинское, диагностическое или лабораторное решение, требуется профильная экспертиза и соответствующая валидация. Эта статья объясняет вычислительную модель и не является медицинской рекомендацией.
AlphaFold 2 сделал большой скачок в предсказании структуры белка по последовательности и сопровождает координаты полезными оценками локальной и относительной уверенности. AlphaFold 3 расширил единый подход на более разнообразные комплексы. Грамотное чтение начинается не с вращения модели на экране, а с вопроса: какой объект задан, на какой задаче проверена модель, где она уверена и какое независимое наблюдение подтвердит гипотезу.
Самостоятельный редакционный разбор ЯдроКода по рецензируемым работам AlphaFold 2 и AlphaFold 3 и официальной документации AlphaFold DB. Материал не воспроизводит чужие рисунки и не является медицинской рекомендацией.
Учебный код и пояснения подготовлены редакцией; структуры, иллюстрации и таблицы Nature и AlphaFold DB не переносятся.