别只盯着AlphaFold了：开源模型可预测10亿种蛋白质的形状

图片说明：该AI工具设计了针对细胞毒性T淋巴细胞相关蛋白4（CTLA-4）的结合剂。图片来源：Molekuul/Science Photo Library。

已知蛋白质世界刚刚变得更大了。一项新发布的人工智能工具生成了包含超过10亿个预测蛋白质结构以及数十亿条蛋白质序列的图谱。该数据库名为ESM Atlas，由Facebook创始人马克·扎克伯格及其妻子、医生和教育工作者普里希拉·陈在加州旧金山创立的生物医学研究机构“Chan Zuckerberg Initiative’s Biohub”研究人员发布。

该图谱的预测蛋白质结构条目比AlphaFold Database多超过8亿，也比此前的ESM Atlas约多3亿。这些预测来自模型ESMFold2。Biohub称，ESMFold2在蛋白质结构预测性能上超越了Google DeepMind最新系统AlphaFold3及其他蛋白质结构预测AI。相关结果以预印本形式发布。

Biohub科学负责人、项目主导者Alex Rives表示，这个图谱展示了蛋白质生物学的整体图景，尤其是人类了解最少的部分；研究团队认为，它将成为发现新生物学的重要基础。其他科学家也对结果印象深刻，特别是ESMFold2完全开源。不过，该模型进入了一个竞争激烈的领域，开源和专有蛋白质模型都在快速取得进展。

ESMFold2基于Rives团队2024年发布的“蛋白质语言”模型，该模型在来自生命树上数十亿蛋白质上训练，包含土壤、海洋等环境中的宏基因组序列，而这些序列没有出现在AlphaFold预测蛋白质结构数据库中。Rives团队称，在确定相互作用蛋白复合物的正确结构方面，尤其是抗体分子与其抗原分子靶标结合时，ESMFold2优于现有方法，包括AlphaFold3。

在预印本中，研究人员介绍了如何使用ESMFold2设计新的抗体及其他蛋白质，使它们能够强效结合与癌症和免疫疾病相关的蛋白质。在实验室制造并测试后，相当高比例的设计结果符合预测。

Rives团队使用该工具创建了包含11亿个预测蛋白质结构的图谱，并提供68亿个蛋白质序列信息。其中许多来自此前表征不足的宏基因组序列。Rives希望这个可免费访问的图谱能帮助科学家在已知与未知的蛋白质世界之间建立联系。借助该图谱，研究人员发现，CRISPR微生物防御蛋白与2023年在一株土壤真菌中发现、并存在于其他真核物种中的一种基因编辑蛋白具有结构相似性。