谷歌DeepMind團隊研發的阿爾法折疊2（AlphaFold2）使用最新的人工智能算法對蛋白質結構實現了接近實驗精度的精準預測。復旦大學復雜體系多尺度研究院教授馬劍鵬團隊與上海人工智能實驗室合作，近日在國際知名刊物《生物信息學簡報》上發表論文，顯示其蛋白質側鏈預測算法（OPUS-Rota4算法）精度顯著超越了谷歌團隊的阿爾法折疊算法。
在目前阿爾法折疊算法開源的情況下，復旦團隊的算法可以為任何蛋白質結構預測工作提供比阿爾法折疊更準確的側鏈模型，從而為蛋白質結構研究，尤其是基于蛋白質結構的新藥設計工作提供了助力。
蛋白質三維結構由主鏈和側鏈共同搭建而成，人工智能系統預測蛋白質結構的通常步驟，是先為蛋白質主鏈建模，再根據主鏈的構象為側鏈建模。自然界中的蛋白質含有20種氨基酸，它們的主鏈幾乎完全相同，而側鏈差異很大。由于藥物分子與人體蛋白質結合的位點絕大多數在氨基酸側鏈上，因此人工智能系統對側鏈的精準預測對新藥研發具有重要價值。這種精準預測能力還可用于解釋基因點突變、基因小片段突變的機制，為遺傳性疾病研究和治療提供寶貴思路。
近年來的研究中，研究人員開發的側鏈建模算法大多基于抽樣，如SCWRL4、OPUS-Rota3等。其從離散的側鏈二面角轉子庫中進行抽樣，隨后根據一系列能量函數進行優化，找到能夠讓能量最低的二面角轉子即為最終結果?；诔闃拥膫孺溄Ｋ惴ǖ膬烖c是速度較快，但由于使用離散的轉子并受限于能量函數的準確性，其整體側鏈預測精度仍然有待提高。
OPUS-Rota4引入深度學習算法，使得蛋白質側鏈建模精度得到了大幅提升。研究人員首先使用OPUS-RotaNN2結合多種不同的提取特征得到初始的側鏈二面角預測結果，之后使用OPUS-RotaCM得到側鏈原子接觸圖，最后使用其自主研發的建模框架OPUS-Fold2根據接觸圖對初始側鏈二面角預測結果進行優化并輸出最終結果。
團隊研究人員表示，將會對蛋白質側鏈建模進行進一步研究，以期繼續提升準確率，并將對側鏈建模在實際問題中的應用進行探索。
