自AlphaFold在蛋白质单体结构预测领域取得重要突破后，其技术仍在持续演进。从能够准确预测蛋白质复合物的AlphaFold-Multimer，到近期发布的、将预测范围扩展至核酸与小分子配体等更广泛生物分子的AlphaFold 3，再到多种开源/加速实现，这一系列工具的发展为系统性研究生物分子相互作用提供了前所未有的计算支持。

这种技术进步催生了新的研究范式：利用高通量计算筛选，系统性地发现和解析生物分子间的相互作用。本文将聚焦AlphaFold在此领域的两大应用方向：蛋白质-蛋白质相互作用（PPI）和蛋白质-肽段相互作用，并结合近期关键研究案例进行介绍。

一、 解构生命网络：AlphaFold赋能高通量PPI筛选

蛋白质-蛋白质相互作用（PPI）是绝大多数生命活动的基础。传统实验方法在进行大规模PPI筛选时面临诸多挑战。以AlphaFold-Multimer为代表的相互作用预测模型则为在蛋白质组规模上进行高效的计算筛选提供了可能。

案例1（(Science, 2023)：指导功能发现——揭示DONSON在DNA复制中的作用

在多细胞生物DNA复制起始机制的研究中，研究团队先在约 70 个复制核心因子范围内用AF-Multimer筛选DONSON蛋白的可能互作体，再将DONSON与全蛋白质组约2万人类蛋白做配对评估，得到高置信候选，预测了DONSON与GINS等关键蛋白的相互作用，这些预测精准指导了后续的生化实验，最终证实DONSON是形成一个关键“预加载复合体”的核心蛋白。该工作展示了计算筛选在指导全新生物学机制发现中的巨大潜力。

案例2 (Nature Structural & Molecular Biology, 2023)：绘制结构图谱——构建结构解析的人类蛋白质互作网络

为系统性解析人类PPI网络，研究人员使用基于AlphaFold2的流程，对超过65000对人类蛋白质相互作用进行了结构预测。通过pDockQ评分评估，获得3137个高置信度的相互作用模型。在与化学交联质谱数据的交叉验证中，对于pDockQ > 0.5且有交联数据覆盖的模型，75%得到交联数据支持。结合致病突变富集与复合体拼装等多模态佐证，该工作显著扩展了可用的结构化互作图谱。

案例3 (Bioinformatics, 2023)：简化筛选流程——AlphaPulldown软件包

为降低技术门槛，研究人员为基于Alphafold的高通量筛选开发了专用的工具，AlphaPulldown是其中的代表之一。它通过模拟“Pull-down”实验的模式、优化计算流程和集成自动化分析工具，显著简化了利用AlphaFold-Multimer进行大规模PPI筛选的操作，并通过将MSA（多序列比对）计算和结构预测分离，提高计算效率，使其更易于被广大研究者使用。

二、 破解识别密码：从肽段去孤儿化到抑制剂发现

蛋白质与肽段的相互作用在信号调控和药物开发中至关重要。AlphaFold同样在此领域展现了独特的应用价值，尤其是在处理“孤儿肽段”（功能未知）和“孤儿受体”（配体未知）等难题上。

案例4 (J. Chem. Inf. Model., 2023)：为孤儿肽段寻找受体——肽段去孤儿化

这项研究将受体识别视为一个排序问题，利用AlphaFold-Multimer计算一个“孤儿”肽段与一个包含上千个膜受体的蛋白库的结合情况。结果表明，ipTM 分数等置信指标对优先级排序具有良好判别力：在1112个受体库与11个基准肽-受体对的评测中，真实受体平均位居前百分位，为肽段去孤儿化提供了高效的计算途径。

案例5 (Cell Systems, 2024)：精准锁定靶标——单跨膜受体的配体识别

针对在实验上极具挑战性的单跨膜受体，研究者提出并开源了筛选流程 “AlphaLigand”，通过对输入序列进行结构域截取/优化（如仅用受体胞外域、使用成熟型分泌配体等），并以 AF 置信输出进行排序，在已知与多样化实验证实集合上分别取得~90%与~50%的成功率，提示该策略可作为单跨膜受体配体去孤儿化的实用工具。

案例6 (PNAS, 2024)：发现抑制性片段——FragFold方法

此研究超越了结合预测，旨在基于相互作用蛋白序列发现具有“抑制”功能的蛋白片段。FragFold方法通过高通量计算，对目标序列做滑窗式片段扫描，系统性地预测覆盖蛋白质全长的片段与靶点的结合能力。该方法的预测结果与与高通量抑制实验吻合良好，并成功指导了增强型抑制肽段的突变设计，将结构预测与功能发现紧密联系起来。

结论与展望

以上研究表明，AlphaFold及其相关应用已成为一种有效的、由计算驱动的假设生成工具。它正在系统性地加速我们对蛋白质相互作用网络的认知，无论是宏观的PPI图谱绘制，还是微观的肽段识别与功能发现，都为功能基因组学、系统生物学和创新药物开发提供了有力支持。

开展此类前沿的大规模高通量计算筛选研究，需要强大的计算资源和专业的生物信息学支持。康迈迪森拥有的大规模GPU计算集群和经验丰富的计算化学与AIDD团队，能够为您的科研项目提供稳定、高效的高通量结构预测与相互作用筛选服务。 如果您正在规划相关的研究课题，或希望利用AI技术加速您的研发管线，欢迎随时与我们联系，共同探索生命科学的下一个前沿。

参考文献

1. Lim, Yang, et al. "In silico protein interaction screening uncovers DONSON’s role in replication initiation." Science 381.6664 (2023): eadi3448.

2. Burke, David F., et al. "Towards a structurally resolved human protein interaction network." Nature Structural & Molecular Biology 30.2 (2023): 216-225.

3. Yu, Dingquan, et al. "AlphaPulldown—a python package for protein–protein interaction screens using AlphaFold-Multimer." Bioinformatics 39.1 (2023): btac749.

4. Teufel, Felix, et al. "Deorphanizing peptides using structure prediction." Journal of chemical information and modeling 63.9 (2023): 2651-2655.

5. Danneskiold-Samsøe, Niels Banhos, et al. "AlphaFold2 enables accurate deorphanization of ligands to single-pass receptors." Cell Systems 15.11 (2024): 1046-1060.

6. Savinov, Andrew, et al. "High-throughput discovery of inhibitory protein fragments with AlphaFold." Proc. Natl. Acad. Sci. U.S.A. 122 (6) e2322412122.

康迈迪森成立于2020年9月，是一家专注于计算化学驱动新药研发的平台公司。利用全球领先的基于蛋白三维结构的超大规模虚拟筛选与人工智能等核心技术，为全球药企和科研单位提供小分子创新药物的早期开发服务，快速鉴定先导化合物，满足小分子创新药物研发从0到1的迫切需求。我们的核心技术团队来自于美国加州大学旧金山分校和北京生命科学研究所，希望通过结合生物、化学、药学、计算机等交叉学科的前沿技术推动科研成果产业化，加速原创新药研发。