人工智慧驅動的方法挑戰了蛋白質結構的傳統觀點

在最近的一次發表文章在自然通訊，，一個團隊提供了一種人工智慧驅動的方法來探索整個蛋白質宇宙的結構相似性和關係。該團隊包括來自維吉尼亞大學的成員，包括數據科學學院院長 Phil Bourne、該學院的資深科學家 Cam Mura 和維吉尼亞大學新校友 Eli Draizen。

他們的研究挑戰了關於結構關係（即相似性和差異性的模式），並在過程中識別出許多傳統方法忽略的微弱關係。

具體來說，作者報告了它可以以一種新穎、靈活和細緻的方式大規模檢測和量化此類蛋白質關係（跨越無數蛋白質），該方式將基於深度學習的方法與新的概念模型（稱為Urfold）相結合，該模型允許兩種蛋白質展示儘管具有不同的拓撲或“折疊”，但架構相似。

Bourne、Mura 和 Draizen 與 Stella Veretnik 合作完成了這個專案。所有作者都是 Bourne & Mura 計算生物科學實驗室的成員，該實驗室隸屬於數據科學學院和 UVA 生物醫學工程系。

該出版物是 Bourne Lab 多年來開發這個名為 DeepUrfold 的人工智慧驅動框架的工作成果，旨在系統地、大規模地探索 Urfold 的結構關係理論。

使用 DeepUrfold，Bourne Lab 團隊檢測到了整個蛋白質宇宙中蛋白質之間微弱的結構關係，這些蛋白質在其他方面被認為是無關的、進化上的或其他方面的。

在捕捉和描述這些遙遠的關係時，DeepUrfold 從「社區」的角度看待蛋白質關係，並避免了將蛋白質分類到單獨的、不重疊的容器中的傳統方法。總而言之，這些新的方法論可以推動研究人員超越靜態、幾何術語中蛋白質相似性的思考，轉向更全面的方法。

伯恩是數據科學學院的創始院長，因其研究而在科學界聞名，包括結構生物資訊學和更廣泛地說。在他職業生涯的早期，他共同領導了 RCSB 蛋白質資料庫的開發，這是一個名副其實的蛋白質結構資訊寶庫，幫助徹底改變了該領域，並為 AlphaFold 等當代人工智慧進步鋪平了道路。

Mura 在 UVA 數據科學學院和生物醫學工程系任職，在結構和計算生物學方面擁有廣泛的背景，包括基於 RNA 的系統的生化和晶體學研究以及 DNA 的分子生物物理學。他認為透過分子演化的鏡頭，探索這些領域與資料科學的交叉點。

Draizen 獲得博士學位在 Bourne 的指導下獲得 UVA 博士學位，目前在加州大學舊金山分校擔任計算生物學博士後學者。 Veretnik 是 UVA 的高級研究科學家，專注於計算生物學以及蛋白質折疊的結構、功能和演化。