蛋白质是生命所必需的，理解它们的结构可以促进对其功能的机械性理解。几十年来，研究人员使用x射线晶体学和低温电子显微镜等实验技术来确定蛋白质结构。但是这些方法既耗时又昂贵，而且有些蛋白质不适合此种技术分析。经过科学家们巨大的努力，到目前，大约有10万种蛋白确定了三维结构，但这只是数十亿已知蛋白质序列中的一小部分。要确定一个单一的蛋白质结构，用传统的方法需要花费数月甚至数年的艰苦努力，这阻碍了蛋白质结构解析的覆盖。需要精确的计算方法来解决这一差距，并使大规模的结构生物信息学成为可能。仅根据蛋白质的氨基酸序列预测其三维结构，即蛋白质折叠的结构预测问题，是50多年来一个重要的开放式研究问题。尽管最近取得了一些进展，但现有的方法还远远不能达到原子的精度，特别是在没有同源结构的情况下。
近日，先后在nature和science杂志上发表的两篇关于蛋白质结构深度预测的文章，让科学家大受鼓舞。
7月15日，总部位于伦敦的deepmind公司发布了其深度学习神经网络alphafold 2的开源版本，并在《自然》杂志的一篇论文中描述了其方法（jumper, j.et al. nature https://doi.org/10.1038/s41586-021-03819-2 (2021）。deepmind去年在科学界掀起了轩然大波，它展示了自己的软件仅通过蛋白质序列(由dna决定)就能准确预测许多蛋白质的结构。研究人员已经为这项挑战工作了几十年，alphafold 2在两年一次的蛋白质预测活动casp中表现非常好，该比赛的联合创始人甚至宣称，“在某种意义上，问题已经解决了”。
与此同时，受alphafold 2的启发，一个学术团队开发了自己的蛋白质预测工具，这款工具已经在科学家中越来越受欢迎。该系统被称为rosettafold，性能几乎和alphafold 2一样好，并在7月15日发表在《科学》杂志上的一篇论文中（baek, m. et al.science https://doi.org/10.1126/science.abj8754 (2021).）进行了描述。
基于人工智能的策略精准预测蛋白质的3d结构正变得成熟。科学家将广泛使用能精确测定蛋白质3d形状的软件。
随着高通量测序技术的不断发展与完善,单组学研究也日趋成熟与完善,而整合多组学数据研究疾病靶点的工作方兴未艾。近年来随着新技术的不断涌现，加快了多组学研究向定量化，高通量的发展，特别是在单细胞层次研究基因组学、转录组学、蛋白质组学和代谢组学，已成为人们发现生命化学物质基础和深入了解其分子机制的新方向。通过对多组学数据的整合分析，有利于系统性地研究临床发病机理、确认疾病靶点，发现生物标志物与进行疾病早期诊断，从而对个体化治疗和用药指导发挥重要作用。
为协助您更好的进行科学研究，2021年7月27日（周二）20:00-21:00，金开瑞特推出《多组学关联分析 》线上直播课，欢迎各位老师扫码进入直播间一起交流学习！
文章来源：
https://www.nature.com/articles/d41586-021-01968-y
