About this article
Abramson, J., Adler, J., Dunger, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630, 493–500 (2024). https://doi.org/10.1038/s41586-024-07487-w
Brief Intrdocution
- AlphaFold 3(AF3)는 단백질, 리간드, 핵산 등 다양한 생체 분자 복합체 구조를 단일 딥러닝 프레임워크로 고정확도 예측함.
- 기존 전문 방법 대비 우수한 성능을 달성함.
- Stereochemistry 오류와 dyanmics 예측 한계가 존재.
- AlphaFold 2와 AlphaFold-Multimer의 후속 연구임.
핵심 기여
- 통합 예측 모형
- AF3는 Protein Data Bank(PDB)에 존재하는 거의 모든 분자 유형(protein, ligand, ion, nucleic acid, post-translational modification)을 포함하는 복합체 구조를 예측함.
- 단일 딥러닝 프레임워크로 다양한 생체 분자의 상호작용을 예측함.
- 특정한 분류에 특화된 방법 대비 우수한 정확도
- 단백질-단백질, 단백질-리간드, 단백질-핵산, 변형 예측에서 전문 방법 대비 높은 정확도 달성함. (그림 1c)
- Vina, RoseTTAFold All-Atom 등 기존 도킹 및 딥러닝 방법보다 우수함.
- 구조 및 훈련 방법
- AF2의 evoformer를 단순화한 pairformer를 도입. MSA 의존도 감소.
- 원자 좌표를 직접 예측하는 확산 기반 방법. 복잡한 stereochemistry 제약 제거.
- AF2의 예측 결과를 사용한 cross-distillation으로 disorder 영역의 hallucination을 완화함.
- 신뢰도 지표
- pLDDT, PAE, PDE 신뢰도 지표 제공. 예측 정확도와 높은 상관관계 보임. (그림 4)
- 적용성
- 대규모 복합체 및 당화 단백질 복합체 예측 가능. (그림 3)