人工智能工具可预测脑部疾病背后的毒性蛋白结构

Summary：新的AI工具RibbonFold变革科学家对与阿尔茨海默病和帕金森病相关的错误折叠蛋白的理解。它不同于预测正确折叠蛋白的AlphaFold等工具，专门为模拟神经退行性疾病中积累的淀粉样原纤维的扭曲带状形状而设计。该工具用物理能量约束准确预测这些有毒蛋白如何演变成更难溶、促进疾病的形式，这有助于药物研发。

Key Facts：

• 专门的AI建模：RibbonFold在预测错误折叠的淀粉样结构上优于AlphaFold。
• 疾病洞察：揭示蛋白原纤维如何随时间演变成更难溶形式，或能解释疾病的迟发性。
• 药物潜力：为针对神经退行性疾病中的有害蛋白聚集体提供精确工具。

来源：莱斯大学

一种新的人工智能（AI）工具揭示了与疾病相关的蛋白如何错误折叠成有害结构，这是理解阿尔茨海默病和帕金森病等神经退行性疾病的关键进展。由昌平实验室的陈铭晨和莱斯大学的彼得·沃林斯领导的研究推出了RibbonFold，这一计算方法可预测淀粉样蛋白结构。该研究4月15日发表于《美国国家科学院院刊》。

RibbonFold专为处理错误折叠蛋白的复杂多变结构而设。沃林斯称，他们展示了如何通过结合对淀粉样原纤维能量景观的物理理解来约束AI折叠代码以预测其结构，RibbonFold优于AlphaFold等工具。

RibbonFold在AI驱动的蛋白结构预测的近期进展基础上构建，其包含适合捕捉淀粉样原纤维带状特征的约束条件。研究人员用现有淀粉样原纤维结构数据训练模型并验证，结果表明它在这一特定领域优于现有AI工具，揭示了淀粉样蛋白在体内形成和演化中被忽视的细微差别，暗示原纤维可能随时间转变为更难溶的形态，导致疾病进展。

RibbonFold在预测淀粉样多态性方面的成功可能是科学家应对神经退行性疾病的转折点，为药物开发开辟新可能。此外，这些发现有助于理解蛋白自组装，研究还解决了结构生物学的一个关键谜题。

其他作者包括共同第一作者郭良月和余麒麟，以及昌平实验室的王迪和吴小雨。研究得到美国国家科学基金会、韦尔奇基金会和昌平实验室的支持。

作者：玛西·德卢纳 来源：莱斯大学 联系：玛西·德卢纳 - 莱斯大学 图片来源：神经科学新闻

AI工具解开阿尔茨海默病、帕金森病背后长期存在的生物医学谜题。RibbonFold改编自AlphaFold2，是表征淀粉样多态性景观的有价值框架。