停靠的地方

深度学习工具（如 AlphaFold2 (AF2)）的开发能够对蛋白质结构进行高置信度预测，为实验得出的结构提供了潜在的替代方案。AF2 还被设想用于帮助通过虚拟筛选确定新配体。然而，对 AF2 生成的结构与实验结构进行的回顾性对接分析表明，在预测配体结合位点方面结果不一。Lyu 等人以 σ2 受体和 5-HT2A 受体为候选受体进行了前瞻性分析，以测试 AF2 的性能。这些受体的 AF2 模型是在实验结构报告之前预测的。两个数据集显示出良好的一致性，可能消除了回顾性分析中可能出现的偏差。研究小组针对 AF2 生成的受体模型和实验结构，使用 4.9 亿到 16 亿分子的化学多样性库进行了大规模对接筛选。对于这两种受体，AF2和实验筛选活动的命中率、亲和力和Ki值都很相似，尽管筛选的化学结构并不相似。对5-HT2A的AF2特异性命中的冷冻电镜（cryo-EM）分析证实了预测的对接相互作用，表明AF2模型可用于鉴定新配体。此外，5-HT2A 筛选显示，与冷冻电镜结构相比，AF2 模型产生的化合物具有更高的效力和选择性。虽然这些发现对其他蛋白质的通用性尚不清楚，但 Lyu 等人的发现支持了利用 AF2 衍生结构进行对接以发现配体的潜在用途：Science 384, eadn6354 (2024)