由杜塞尔多夫海因里希海涅大学 (HHU) 领导的德国和美国研究小组开发了一种数据描述，可以提供荧光测量结果，用于大型生物分子的结构和动态建模。

作者在《自然方法》杂志上解释说，其他研究人员首次可以通过数据库访问基于荧光的综合结构模型及其动态。这为下一代动态结构建模人工智能工具提供了基于实验的训练数据。

蛋白质和核酸是所有生物体生命的核心组成部分。这些生物分子由许多单独的组成部分组成，例如蛋白质由氨基酸组成。

当单个构件在细胞中组装时，生物分子形成复杂的三维结构。它们的具体形状由构件之间的配置和力决定。然而，为了理解生物分子的功能，重要的是不仅要考虑它们的三维结构，还要考虑不同结构状态的数量以及它们之间的交换动力学。

长期以来，使用经典的生物物理方法确定生物分子的三维结构非常复杂且耗时。为了逐步简化和系统化这项工作，自 1971 年以来，所有这些三维结构都被收集在“蛋白质数据库”(PDB)中。这些超过 220,000 个结构被基于人工智能的工具(如“AlphaFold”)用作神经网络的训练数据，AlphaFold 的开发在今年获得了诺贝尔化学奖。

人工智能系统已经能够很好地预测生物分子结构。然而，由于缺乏实验数据，这些工具目前无法预测动态。

因此，使用强大的实验方法非常重要，例如荧光光谱法，它可以提供有关复杂生物分子动力学和结构的综合信息。在荧光实验中，生物分子的特定有趣部分用小染料分子标记，这些小染料分子在受到外部激发时会发光，从而显示其位置。综合建模方法将此类实验数据与计算方法相结合，以实现更高的结构分辨率并将动力学考虑在内。

胡佛休斯顿大学分子物理化学研究所博士后、本文第一作者 Christian Hanke 博士强调：“荧光实验提供了详细的信息，使其成为综合建模的绝佳数据来源。然而，要充分利用这些丰富的信息，必须让广大科学界能够获取和使用这些信息。”

在该出版物中，来自 HHU、新泽西州立罗格斯大学和加州大学旧金山分校的研究团队以三个链接的“字典”的形式提出了标准化的数据描述，这三个“字典”组织在一个共同的库中。

两位通讯作者之一、胡佛水坝大学的 Claus Seidel 教授表示：“这种结合字典的组织原则首次使研究人员能够存储基于荧光数据的综合结构模型和动力学信息。同时，其他方法也可以使用一般定义来记录数据库中生物分子的动态特性及其结构。”

这种方法对于将静态结构模型与底层能量图景(即生物分子内不同三维结构单元之间的能量差异)联系起来是必要的。Seidel 教授说：“这些信息使得开发和训练下一代基于人工智能的程序以预测动态生物分子结构成为可能。在这里，从功能相关动力学的荧光实验中获得的数据可以做出非常重要的贡献。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：