Beregningskemi & forskning

AlphaFold, strukturforudsigelse og evidens

Læs AlphaFold 3 og FoldBench kritisk. Forstå strukturforudsigelse, benchmarks, modelkonfidens og forskellen på bindingspose, affinitet og biologisk funktion.

Det vigtigste

  • En strukturforudsigelse er en hypotese om koordinater, ikke et aktivitetsbevis.
  • Konfidensmål og eksperimentel usikkerhed er ikke det samme.
  • Nøjagtighed skal vurderes for den konkrete opgavetype og nyhed i forhold til træningsdata.

Tre spørgsmål, som ofte bliver blandet sammen

Strukturspørgsmålet er: hvordan kan atomerne være placeret? Affinitetsspørgsmålet er: hvor gunstig er bindingen under bestemte betingelser? Funktionsspørgsmålet er: hvad gør systemet biologisk? Et svar på det første giver ikke automatisk svar på de to andre.

En model kan vise en plausibel ligandpose uden at bestemme en bindingsfri energi. Den kan også overse konkurrerende tilstande eller påvirkning fra miljøet. Derfor skal man først formulere det videnskabelige spørgsmål, før man vælger et værktøj eller fortolker en figur.

Hvad AlphaFold 3-artiklen viser

Abramson og kolleger beskrev i 2024 en diffusionsbaseret metode, der kan forudsige fælles strukturer for komplekser med blandt andet proteiner, nukleinsyrer, små molekyler og ioner. Forfatterne rapporterede forbedringer på flere af deres strukturelle benchmarkopgaver sammenlignet med relevante metoder.

Det er en udvidelse af omfanget af strukturmodellering, ikke en fysisk tidsintegration af foldning. Diffusionsmodellens genereringsforløb skal ikke fortolkes som molekylets faktiske bevægelse i opløsning. Artiklen behandler også begrænsninger som plausible, men forkerte strukturer i usikre områder.

Faglig reference: [1]

Et senere tjek: FoldBench

Xu og kollegers FoldBench blev publiceret online i december 2025 og indgår i Nature Communications bind 17 fra 2026. Det sammenligner flere all-atom-metoder på 1522 biologiske samlinger fordelt over ni opgaver. Evalueringen viser blandt andet afhængighed af lighed med træningsdata og fortsatte udfordringer for bestemte interaktionstyper.

Denne type benchmark er vigtig, fordi et gennemsnit kan skjule svagheder i en specifik undergruppe. Resultaterne bør læses med datasæt, filtrering, modelversioner og succesdefinitioner ved siden af. En samlet vinder i en undersøgelse er ikke automatisk bedst til en ny ligandklasse eller et bestemt biologisk system.

Udvalgte forskningskilder fra 2024 og 2025/2026. Denne guide er ikke en løbende opdateret modelrangliste.

Faglig reference: [2]

Konfidens er en forudsigelse om fejl

pLDDT og PAE bruges i AlphaFold-familien til at beskrive forskellige aspekter af modellens forventede strukturelle kvalitet. En lokalt sikker region kan stadig have en usikker placering i forhold til en anden region. Man bør derfor ikke reducere hele komplekset til én farve eller ét gennemsnit.

En konfidensscore er heller ikke en eksperimentelt målt standardafvigelse på hver atomkoordinat. Hvis den konkrete forskningspåstand afhænger af en grænseflade, skal kvalitetsvurderingen fokusere på den grænseflade. Visuel helhedsindtryk er for groft.

Faglig reference: [1]

En analyse fra koordinater til hypotese

Start med sekvenser, kemisk identitet, støkiometri og relevant biologisk samling. Undersøg derefter, hvilke dele af modellen din hypotese afhænger af. Kontakter, afstande og geometri kan hjælpe med at formulere et testbart forslag, men bør ikke alene bruges til at erklære en mekanisme bevist.

Antag for eksempel, at to modeller giver samme overordnede foldning, men forskellig orientering af en ligand. Spørgsmålet er ikke kun, hvilken figur der ser bedst ud. Spørg om inputkemien er korrekt, om modellerne dækker forskellige plausible tilstande, og hvilke uafhængige data der kan skelne dem. Dette er en analysevejledning, ikke et resultat fra de citerede artikler.

Hvad der bør rapporteres

Angiv værktøj, modelversion, input, relevante seed-/samplingvalg, datagrundlag og hvilke strukturer der blev udvalgt. Beskriv også, om udvælgelsen brugte viden om facit. Det sidste kan gøre en benchmarkpræstation mere optimistisk end en blind anvendelse.

Hold strukturkvalitet, beregningsomkostning og biologisk evidens i hver sin kolonne. En reviewer bør kunne se, hvad modellen faktisk bidrager med. Chemnastic kan vise koordinater og måle geometri, men kører ikke AlphaFold og validerer ikke en forudsagt bindingsaktivitet. En importeret struktur beholder sin status som model.

RMSD: justering og atomvalg ændrer spørgsmålet

RMSD er kvadratroden af middelværdien af kvadrerede afstande mellem matchede atomer. Men hvilke atomer matches, og hvordan justeres strukturerne først? En justering på hele proteinet kan vægte noget andet end en justering på bindingslommen. Atommapping og symmetri i en ligand kan også påvirke sammenligningen.

Brug derfor en metrics definition, ikke bare forkortelsen. Hvis en ligand flytter sig sammen med et fleksibelt domæne, kan forskellige justeringer give forskellige tal uden at nogen af beregningerne er aritmetisk forkerte. De besvarer forskellige strukturelle spørgsmål. En lav global RMSD kan samtidig skjule en vigtig lokal fejl.

RMSD = √[(1/N) Σᵢ |rᵢ − rᵢ,ref|²]

Blind forudsigelse eller udvælgelse med facit?

Forestil dig en metode, der genererer 100 strukturer. Hvis den bedst matchende struktur vælges ved hjælp af den eksperimentelle reference, måler testen, om en god kandidat findes i samlingen. Hvis metodens egen score vælger kandidaten, måler testen også evnen til at genkende den gode kandidat uden facit.

Begge spørgsmål kan være interessante, men de er ikke den samme praktiske opgave. I et nyt projekt kender du netop ikke den eksperimentelle struktur. En fair sammenligning bør også tage hensyn til samplingbudget, tilgængelige templates og anden information, der gives til metoderne. Dette er en generel evalueringsregel, ikke en påstand om, at alle benchmarks er fejlkonstruerede.

Affinitet kræver et andet termodynamisk regnskab

For en idealiseret bindingsligevægt P + L ⇌ PL afhænger bindingsstyrken af forholdet mellem bundne og frie tilstande. En standardbindingsfri energi kan knyttes til en dimensionsløs ligevægtskonstant. Det omfatter bidrag fra tilstande, som ikke er synlige i én bound-pose.

Hvis det fri protein eller den fri ligand har mange tilgængelige konformationer, kan binding ændre denne fordeling. Opløsningsmiddel og protonering kan også bidrage. Derfor er geometrisk komplementaritet nødvendig i mange forklaringer, men ikke tilstrækkelig til at beregne en nøjagtig affinitet. Et vist hydrogenbindingsnetværk kan være en begrundet hypotese om kontakter uden at være en energiberegning.

Et studieoplæg til seminar eller journal club

Vælg én central figur fra en primærartikel og skriv præcist, hvilken påstand figuren understøtter. Lav derefter en alternativ forklaring eller en undergruppe, hvor påstanden kan svigte. Find i metodeafsnittet de oplysninger, som afgør, om denne begrænsning er testet.

Afslut med en kort evidenstabel: inputinformation, benchmarkpopulation, valgt mål, udvælgelsesprocedure og nødvendig efterfølgende validering. På den måde bliver journal club en analyse af argumentet frem for en oplæsning af abstraktet. Brug gerne Chemnastics viewer til at vise strukturelle forskelle, men marker tydeligt, om koordinaterne er eksperimentelle, idealiserede eller forudsagte.

PRØV SELV

Opgave med løsning

En forudsagt protein-ligand-model ser overbevisende ud. Kan den alene dokumentere en lav dissociationskonstant Kd?

Vis fremgangsmåde og svar
  1. Posen beskriver koordinater, mens Kd beskriver en ligevægt.
  2. Bindingsfri energi afhænger også af tilstande, opløsningsmiddel og entropi.
  3. Der kræves relevant affinitetsanalyse eller eksperimentel evidens.

Nej. En geometrisk plausibel pose er ikke en måling af bindingsstyrke.

UNDERSØG MODELLEN

Undersøg molekyler i 3D

Åbn værktøjet

Kilder & videre læsning

  1. Abramson et al. (2024): Accurate structure prediction of biomolecular interactions with AlphaFold 3 Fagfællebedømt originalartikel
  2. Xu et al. (online 2025; bind 2026): Benchmarking all-atom biomolecular structure prediction with FoldBench Fagfællebedømt originalartikel
  3. RCSB PDB-101: Guide to Understanding PDB Data Lærebog / faglig reference

AI-assisteret formidling, ikke uafhængigt fagfællebedømt. Regneeksempler er undervisningseksempler. Kildernes resultater gælder inden for deres egne metoder og betingelser; forskningsguides er ikke udtømmende eller løbende modelranglister. Indholdet erstatter ikke laboratoriets sikkerhedsvurdering.