摘要：蛋白质被自然选择折叠成明确定义的天然状态，这一概念已在能量图谱框架内得到有效阐述，这为 AlphaFold 等结构预测工具获得成功奠定了基础。然而，淀粉样蛋白折叠并不代表给定单个序列的唯一最小值。

编辑 | 白菜叶

蛋白质被自然选择折叠成明确定义的天然状态，这一概念已在能量图谱框架内得到有效阐述，这为 AlphaFold 等结构预测工具获得成功奠定了基础。然而，淀粉样蛋白折叠并不代表给定单个序列的唯一最小值。

虽然所有淀粉样蛋白都具有交叉 β 氢键模式，但淀粉样蛋白纤维结构的其他方面不仅对聚集肽的序列敏感，而且对实验条件也敏感。淀粉样蛋白结构的这种多态性给结构预测带来了挑战。

在最新的研究中，昌平实验室和莱斯大学（Rice University）的研究人员使用人工智能来探索由以平行、对齐的方式排列的单堆肽组成的淀粉样蛋白原丝结构景观。

相关研究以「Generating the polymorph landscapes of amyloid fibrils using AI: RibbonFold」为题，于 2025 年 4 月 15 日发布在《PNAS》。

论文链接：

该团队提出了一种预测任意序列原丝结构的实用方法：RibbonFold。RibbonFold 是基于 AlphaFold2 开发的，它在 AlphaFold2 的模板模块中加入了并行寄存器约束，并结合了适当的多态性损失函数来解决折叠的结构多样性问题。

在独立测试集上，RibbonFold 的表现优于 AlphaFold2 与 AlphaFold3，平均 TM 得分为 0.5。实验表明，RibbonFold 非常适合研究已广泛研究且已记录多态性的序列的多态性景观。生成的景观能够有效地捕捉这些观察到的多态性。

研究人员发现，虽然已知的淀粉样蛋白形成序列在其「溶解度」图谱中表现出有限数量的合理多态性，但具有相同组成的随机重组序列似乎在其相对溶解度方面受到了负面选择。

总之，RibbonFold 是一个非常有价值的框架，可用于从结构上表征淀粉样蛋白多态性图谱。

来源：科学露西