Kako čitati AlphaFold predikciju
Vodič za farmaceute i studente farmacije, sa pregledom stvarnih poređenja AlphaFold predikcija i eksperimentalnih struktura. Bez matematike: šta su proteini i zašto je njihov oblik važan, kako AlphaFold dolazi do oblika, koliko mu se može verovati i kada predikciju treba proveriti pre upotrebe u razvoju leka.
1. Proteini i problem savijanja
Ukratko: oblik proteina određuje njegovu funkciju i mesto vezivanja leka, a AlphaFold taj oblik predviđa iz redosleda aminokiselina.
Protein je lanac aminokiselina, kojih u prirodi ima 20 vrsta. Redosled aminokiselina određuje kako će se lanac saviti: vodonične veze, hidrofobne i jonske interakcije vuku ga u tačno određen trodimenzionalni oblik. Taj oblik određuje šta protein radi, da li je enzim, receptor, transporter ili antitelo.
Za farmaceuta je oblik važan jer lek deluje tako što se veže za džep na površini proteina. Ko ne zna oblik džepa, ne zna kakav molekul mu odgovara.
Zašto je to bio nerešen problem. Lanac teorijski može da se savije na nezamislivo mnogo načina, a u ćeliji se savije za milisekunde (Levintalov paradoks). Eksperimenti (rendgenska kristalografija, NMR, krioelektronska mikroskopija) daju pouzdane strukture, ali traju mesecima, traže uzorak i skupu opremu. Za oko 60 godina tako je određeno oko 150.000 struktura. Hipoteza Kristijana Anfinsena (1961) da redosled aminokiselina sadrži sve informacije o obliku, dala je nadu da računar može da ih pročita, i upravo to pokušava AlphaFold.
Nivoi strukture i šta od toga AlphaFold daje
- Primarna: redosled aminokiselina. To je ulaz u AlphaFold.
- Sekundarna: lokalni oblici, heliksi i ravni listovi.
- Tercijarna: ceo lanac savijen u prostoru. To je ono što AlphaFold2 predviđa.
- Kvaternerna: više lanaca zajedno. AlphaFold3 (2024) proširuje predikciju na komplekse sa drugim proteinima, DNK, RNK i ligandima.
2. Kako AlphaFold dolazi do oblika
Ukratko: AlphaFold koristi evoluciju i geometriju da pogodi oblik, ali ne simulira savijanje i ne zna za lek.
AlphaFold ne simulira savijanje kao u prirodi. Uči iz hiljada poznatih struktura i iz evolucije. Pritisnite „Pokreni ceo proces“ ili birajte korake jedan po jedan. Prikaz je šematski (pravi protein ima stotine aminokiselina), ali pokazuje srodne proteine, mapu odnosa i savijanje lanca.
- Ne prati savijanje kroz vreme. Uči iz podataka, ne iz fizičkih simulacija.
- Daje jedno stanje proteina, bez vode, jona i liganada, iako se mnogi proteini pri vezivanju leka menjaju.
- Ne zamenjuje eksperiment ni ispitivanje apsorpcije, metabolizma, toksičnosti i delotvornosti leka.
2020. Na takmičenju CASP14 AlphaFold2 je postigao oko 92 od 100 poena tačnosti, daleko ispred više od 100 istraživačkih grupa.
2024. Nobelovu nagradu za hemiju dobili su Demis Hasabis i Džon Džamper iz DeepMind-a, zajedno sa Dejvidom Bejkerom.
Danas. Baza sadrži preko 200 miliona predikcija, a pretraga je besplatna i ne traži nikakvo računarsko znanje.
3. Koliko verovati modelu: pLDDT i PAE
Ukratko: pLDDT govori koliko se veruje svakoj aminokiselini, a PAE koliko se veruje međusobnom položaju delova proteina.
pLDDT je ocena od 0 do 100 za svaku aminokiselinu posebno. Što je veća, to je lokalni oblik pouzdaniji. Kliknite na stubić ili upotrebite taster Tab i Enter.
Ilustrativni primer sa izmišljenim vrednostima, nije stvarni protein. Kategorije i boje su iste kao u AlphaFold bazi.
Primetite da je većina lanca plava, ali je region vezivanja leka slabiji. Zato nije dovoljno gledati ukupnu sliku: važna je pouzdanost baš tamo gde se lek vezuje.
PAE: koliko se veruje međusobnom položaju delova
pLDDT ocenjuje svaku aminokiselinu posebno. PAE (predviđena greška poravnanja) pokazuje koliko je pouzdan položaj jednog dela proteina u odnosu na drugi, izraženo u angstremima. Svaka ćelija je par aminokiselina: plavo je mala očekivana greška, narandžasto velika.
Ilustrativni primer. Dva kvadrata duž dijagonale su domeni, a traka između njih je linker.
Ovo je važno jer su Terwilliger i saradnici (2024) pokazali da čak i vrlo pouzdane predikcije mogu pogrešiti orijentaciju domena. pLDDT to ne meri, a PAE služi baš za to.
4. AlphaFold naspram eksperimenta: šta pokazuje literatura
Ukratko: ukupan oblik je često vrlo tačan, ali detalji važni za lek (bočni lanci u džepu, konformacija sa ligandom, orijentacija domena) mogu odstupati. Rezultati dockinga nisu jednoglasni.
Ovo su stvarne studije, ne ilustracije. Za svaku piše šta je poređeno, šta je nađeno i šta to znači za farmaceuta. Možeš filtrirati po temi.
Primer iz brojki: kinaze
Kinaze su važne mete lekova i menjaju oblik između aktivnog (DFG-in) i neaktivnog (DFG-out) stanja. Poređeno je 496 AlphaFold2 lanaca sa 7177 lanaca iz PDB-a. I u PDB-u dominira DFG-in, ali je DFG-out u AlphaFold2 modelima oko četiri puta ređi.
Izvor: Modi i Dunbrack (2022), Kincore, Tabela 4. Procenti po grupama izračunati su sabiranjem redova tabele.
Sinteza: šta od čega možeš da očekuješ
| Pitanje | Šta literatura podržava | Preporuka |
|---|---|---|
| Ukupan oblik jednog domena | Često vrlo tačan, naročito pri visokom pLDDT. | Koristiti uz proveru pLDDT. |
| Orijentacija domena | Može odstupati čak i uz visoku pouzdanost. | Proveriti PAE, a bitne zaključke potvrditi eksperimentom. |
| Bočni lanci u džepu | Male razlike jako utiču na ishod dockinga. | Proveriti ili usavršiti pre dockinga. |
| Oblik sa ligandom | Model je jedno stanje, bez liganda. | Uporediti sa eksperimentalnim strukturama i proveriti stanje mete. |
| Docking | Retrospektivno slabije, prospektivno ponekad slično. | Validirati na poznatim ligandima. |
| Zamena eksperimenta | Ne. Predikcija je hipoteza. | Potvrda eksperimentom pre odluka o razvoju leka. |
5. Sopstveno poređenje: protokol i tabela rezultata
Ukratko: uporedi AlphaFold model i eksperimentalnu strukturu za tri mete i unesi rezultate u tabelu. To je tvoj izvorni doprinos.
- Izaberi tri mete različitog tipa: jednu stabilnu i dobro poznatu, jednu koja menja oblik pri vezivanju (npr. kinaza CDK2, UniProt P24941) i jednu sa fleksibilnim ili neuređenim delovima. Ovo je samo predlog, ID-ove proveri na uniprot.org.
- Preuzmi AlphaFold model sa alphafold.ebi.ac.uk (pretraga po UniProt ID). Zapiši prosečni pLDDT i pLDDT na vezujućem mestu, i pogledaj PAE grafik.
- Na rcsb.org nađi eksperimentalne strukture iste mete. Uzmi jednu visoke rezolucije bez liganda (npr. ispod 2,5 Å) i, ako postoji, jednu sa ligandom.
- Poravnaj model i eksperimentalnu strukturu (TM-align na zhanggroup.org ili „matchmaker“ u UCSF ChimeraX) i zapiši RMSD i TM-score.
- Pogledaj lokalno: gde je razlika najveća i da li se poklapa sa regionima niskog pLDDT. Odstupanje ostataka vezujućeg mesta izmeri posebno.
- Unesi vrednosti u tabelu ispod.
- Tumači rezultat uz vodič za odluku (poglavlje 6) i uporedi ga sa studijama iz poglavlja 4.
Tabela rezultata
Tabela samo organizuje tvoje vrednosti i daje orijentacionu ocenu. Izmerene brojke dolaze od tebe.
| Protein | UniProt | PDB ID | pLDDT prosek | pLDDT džep | RMSD (Å) | TM-score | Ocena |
|---|
TM-score iznad 0,5 znači isti tip savijanja, a iznad 0,9 vrlo blisko poklapanje. Za pLDDT važe kategorije iz AlphaFold baze. Ocena je orijentaciona. Vrednosti se pamte u ovom pregledaču.
6. Mogu li da verujem ovoj strukturi za svoju metu?
Odgovorite na četiri pitanja i dobićete preporuku sa obrazloženjem.
Pravila odlučivanja je autorka sastavila na osnovu literature (Borkakoti i Thornton, 2023; Yang i dr., 2023). To je edukativna heuristika, a ne validirana procedura. Konačnu odluku uvek donosi stručnjak.
7. Literatura
Izvori korišćeni u vodiču
- Gómez Borrego, J., & Torrent Burgas, M. (2025). Evaluating ligand docking methods for drugging protein-protein interfaces: insights from AlphaFold2 and molecular dynamics refinement. Journal of Cheminformatics, 17, Article 144. https://doi.org/10.1186/s13321-025-01067-4
- Gu, X., Aranganathan, A., & Tiwary, P. (2024). Empowering AlphaFold2 for protein conformation selective drug discovery with AlphaFold2-RAVE. eLife, 13. https://doi.org/10.7554/eLife.99702
- Karelina, M., Noh, J. J., & Dror, R. O. (2023). How accurately can one predict drug binding modes using AlphaFold models? eLife, 12, RP89386. https://doi.org/10.7554/eLife.89386
- Terwilliger, T. C., Liebschner, D., Croll, T. I., Williams, C. J., McCoy, A. J., Poon, B. K., Afonine, P. V., Oeffner, R. D., Richardson, J. S., Read, R. J., & Adams, P. D. (2024). AlphaFold predictions are valuable hypotheses and accelerate but do not replace experimental structure determination. Nature Methods, 21(1), 110–116. https://doi.org/10.1038/s41592-023-02087-4