施一公等团队登Science封面:AI与冷冻电镜揭示「原子级」NPC结构,生命科学突破

简介: 施一公等团队登Science封面:AI与冷冻电镜揭示「原子级」NPC结构,生命科学突破

开始正文之前,我们先来看一张图片,在下图中,很明显可以看出,图的右半部分所代表的信息更加丰富,结构也更清晰。而左半部分 2016 年的图,则结构较为单一,代表的信息比较少:

其实上面展示的是核孔复合体(NPC)图像。核孔复合体,由约 1000 个蛋白质亚基组成,担负着真核生物细胞核与细胞质之间繁忙的运输大分子的任务,也是其连接胞质和细胞核的唯一双向通道。除了协调运输外,NPC 还组织必要的转录、mRNA 成熟、剪接体和核糖体组装等重要生命活动。NPC 强大的作用,已然成为疾病突变和宿主 - 病原体相互作用的关键点。

得益于低分辨率下全核孔结构以及高分辨率下核孔组成结构技术的发展,细胞核孔受到越来越多的关注。然而,利用这些信息正确组装 30 多种不同蛋白质副本,并构建高分辨率的三维结构,一直是一项艰巨的挑战。

今天,《Science》杂志以封面专题形式发表了 5 篇论文,其中 3 篇论文共同揭开了人类核孔复合体的近原子分辨率冷冻电镜结构,另外两项研究通过非洲爪蟾呈现了脊椎动物核孔复合体的单颗粒冷冻电镜图像。这篇封面文章将多项研究成果拼接在一起,形成的人类 NPC 图像接近原子级。


论文地址:https://www.science.org/doi/pdf/10.1126/science.add2210

这一研究成果建立在多项研究之上,包括数十年的生物化学重建、X 射线晶体学、质谱学、诱变和细胞生物学等。使用大幅度改进的冷冻电子断层扫描重建人类 NPC,并用人工智能技术精确建模组件。还有其他研究提高了单粒子冷冻电镜的分辨率,使脊椎动物 NPC 的二级结构元素和残基水平细节的可视化成为可能。分子组合丰富了我们对脊椎动物和人类 NPC 构建的理解——从旧的核支架到将各个部分连接在一起的连接蛋白,以及从核膜锚定到中央运输通道上方的细胞质丝。

这里报告的研究成果,代表了实验结构生物学与人工智能的合作共赢,是人类探索生物微观世界的又一次胜利。另外,也证明了正在进行的分辨率革命,在我们寻求了解大分子组件的构造和设计原理方面,具有不可替代地作用。

下图为 2022 年人类核孔复合体的横截面视图,新解析的成分包括对称核心(橙色)和细胞质细丝(黄色):

五篇研究论文

论文 1:《Architecture of the cytoplasmic face of the nuclear pore》


论文地址:https://www.science.org/doi/10.1126/science.abm9129

核孔复合体(NPC)是核质转运的唯一双向通道。尽管最近在阐明 NPC 对称核心结构方面取得了一些进展,但对于 mRNA 输出和核孔蛋白相关疾病的热点来说,不对称分布的细胞质表面仍然难以捉摸。

加州理工学院等机构的研究者报告了通过结合生化重建、晶体结构测定、冷冻电子断层扫描重建和生理验证而获得的人类细胞质面的复合结构。虽然物种特异性基序在中央转运通道上方锚定了一个进化上保守、约 540 千道尔顿(kilodalton)异六聚体细胞质细丝核孔蛋白复合体,但 NUP358 五聚体束的附着取决于外套核孔蛋白复合体的双环排列。他们揭示的复合结构及其预测能力为阐明 mRNA 输出和核孔蛋白疾病的分子基提供了丰富的基础。

人类 NPC 的细胞质面。

论文 2:《Architecture of the linker-scaffold in the nuclear pore》


论文地址:https://www.science.org/doi/10.1126/science.abm9798

尽管人们已经可以确定 NPC 对称核心中结构化支架核孔蛋白的排列,但它们通过多价非结构化接头核孔蛋白的内聚性仍然难以捉摸。

通过结合生化重建、高分辨率结构测定、冷冻电子断层扫描重建和生理验证,加州理工学院的研究者阐明了进化上保守的接头支架结构,产生了人类 NPC 的约 64 兆道尔顿(megadalton)对称的近原子复合结构核。虽然接头通常起刚性作用,但 NPC 的接头支架为其中央转运通道的可逆收缩和扩张以及横向通道的出现提供了必要的可塑性和稳健性。他们的结果大大推进了 NPC 对称核心的结构表征,为未来的功能研究打下了基础。

人类 NPC 对称核心的接头支架结构。

论文 3:《AI-based structure prediction empowers integrative structural analysis of human nuclear pores》


论文地址:https://www.science.org/doi/10.1126/science.abm9506

虽然核孔复合体(NPC)介导核质转运,它们错综复杂的 120 兆道尔顿架构仍未完全得到了解。马克斯 · 普朗克生物物理研究所等机构的研究者报告了具有显式膜和多构象状态的人类 NPC 支架的 70 兆道尔顿模型。

他们将基于 AI 的结构预测与原位和细胞冷冻电子断层扫描、综合建模相结合。结果表明,接头核孔蛋白在亚复合体内和亚复合体之间组织支架,以建立高阶结构。微秒长的分子动力学模拟表明,支架不需要稳定内外核膜融合,而是扩大中心孔。他们举例阐释了如何将基于 AI 的建模与原位结构生物学相结合,以了解跨空间组织级别的亚细胞结构。

人类 NPC 支架架构的 70 兆道尔顿模型。

论文 4:《Structure of the cytoplasmic ring of the Xenopus laevis nuclear pore complex》


论文地址:https://www.science.org/doi/10.1126/science.abl8280

西湖大学和清华大学以 3.7-4.7 埃(angstrom)的分辨率对非洲爪蟾 NPC 的细胞质环亚基进行单粒子冷冻电子显微镜重建。其中,Nup358 的氨基末端域的结构被解析为 3.0 埃,这有助于识别每个细胞质环亚基中的五个 Nup358 分子。

研究者最终的细胞质环亚基模型包括五个 Nup358、两个 Nup205 和两个 Nup93 分子,以及两个先前表征的 Y 复合体。Nup160 的羧基末端片段充当每个 Y 复合体顶点的组织中心。结构分析揭示了 Nup93、Nup205 和 Nup358 如何促进和加强主要由两层 Y 复合体形成的细胞质环支架的组装。

非洲爪蟾 NPC 双层细胞质环的 Cryo-EM 结构。

论文 5:《Structure of cytoplasmic ring of nuclear pore complex by integrative cryo-EM and AlphaFold》


论文地址:https://www.science.org/doi/10.1126/science.abm9326

哈佛医学院等机构的研究者使用单粒子冷冻电子显微镜和 AlphaFold 预测,从非洲爪蟾卵母细胞中确定了近乎完整的 NPC 细胞质环结构。具体地,他们使用 AlphaFold 预测核孔蛋白的结构,并使用突出的二级结构密度作为指导来适应中等分辨率的地图。

此外,某些分子相互作用通过使用 AlphaFold 的复杂预测进一步得到建立或确认。研究者确定了五份 Nup358 的结合模式,它是最大的 NPC 亚基,具有用于转运的 Phe-Gly 重复序列。他们预测 Nup358 包含一个卷曲螺旋结构域,可以提供活性以帮助它在一定条件下作为 NPC 形成的成核中心。

非洲爪蟾 NPC 细胞质环的 Cryo-EM 结构。

相关文章
|
5月前
|
人工智能 文字识别 监控
|
10月前
|
缓存 人工智能 架构师
龙蜥社区走进中国农业大学,共探“AI+生命科学” 操作系统优化实践
“AI+生命科学”这一跨学科领域的巨大潜力与重要意义。
|
机器学习/深度学习 人工智能 编解码
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
在生物医学领域,蛋白质的结构与功能研究至关重要。ByteDance Research团队开发的CryoSTAR软件,结合AI与冷冻电镜技术,通过深度学习模型、结构先验和异质性重构算法,成功解析了蛋白质的动态行为,尤其在处理结构异质性方面表现出色。该软件已在多个蛋白质体系中取得显著成果,如TRPV1通道蛋白的动态变化研究,为理解蛋白质功能及疾病机制提供了新思路。论文链接:https://www.nature.com/articles/s41592-024-02486-1
403 26
|
人工智能 自然语言处理 算法
谷歌DeepMind研究再登Nature封面,隐形水印让AI无所遁形
近日,谷歌DeepMind团队在《自然》期刊上发表了一项名为SynthID-Text的研究成果。该方法通过引入隐形水印,为大型语言模型(LLM)生成的文本添加统计签名,从而实现AI生成文本的准确识别和追踪。SynthID-Text采用独特的Tournament采样算法,在保持文本质量的同时嵌入水印,显著提高了水印检测率。实验结果显示,该方法在多个LLM中表现出色,具有广泛的应用潜力。论文地址:https://www.nature.com/articles/s41586-024-08025-4。
465 26
|
9月前
|
机器学习/深度学习 人工智能 API
基于昇腾适配Meta AI在Science正刊发表的蛋白质结构预测模型ESMFold
ESMFold是由Meta AI团队开发的一种基于深度学习的高效蛋白质结构预测模型,其核心目标是利用大规模蛋白质语言模型(ESM)直接从氨基酸序列快速推断蛋白质的三维结构。ESMFold通过预训练的语言模型捕捉序列中的进化与结构关联性,结合几何优化模块生成高精度原子坐标,显著降低了传统方法对多重序列比对(MSA)和模板依赖的计算成本。该模型在蛋白质从头预测(de novo prediction)、功能位点解析、突变效应模拟等领域具有重要价值,以高效的推理性能,推动结构预测技术的普惠化应用。
|
8月前
|
机器学习/深度学习 人工智能 自然语言处理
AI 加速科学发现丨Al For Science 专场直播
AI 科学家时代正加速到来,但科研智能体真的做好准备了吗?真实科研场景中,多模态智能体能否在推理、规划与执行等关键能力上达到人类科研人员的水平?我们又该如何准确评估它们的科学认知能力和数据分析表现?
188 0
|
9月前
|
机器学习/深度学习 人工智能 测试技术
让大模型“言简意赅”:马里兰大学团队破解AI推理冗长之谜
说到底,这项研究解决的是一个非常实际的问题:如何让强大的AI推理模型变得更加"经济实用"。通过巧妙的训练策略,研究团队成功地让模型学会了"话不多说,直击要点"的能力。这不仅提高了计算效率,也为AI技术的普及应用扫除了一个重要障碍。对于普通用户而言,这意味着未来我们能够以更低的成本享受到更高质量的AI推理服务。对于研究者和开发者来说,这项工作为优化AI模型性能提供了新的视角和工具。归根结底,这是一项让AI变得更聪明、更高效的研究,值得我们持续关注其后续发展。
|
12月前
|
机器学习/深度学习 人工智能 自然语言处理
DeepMesh:3D建模革命!清华团队让AI自动优化拓扑,1秒生成工业级网格
DeepMesh 是由清华大学和南洋理工大学联合开发的 3D 网格生成框架,基于强化学习和自回归变换器,能够生成高质量的 3D 网格,适用于虚拟环境构建、动态内容生成、角色动画等多种场景。
1063 4
DeepMesh:3D建模革命!清华团队让AI自动优化拓扑,1秒生成工业级网格
|
机器学习/深度学习 人工智能
斯坦福伯克利重磅发现DNA Scaling Law,Evo荣登Science封面!AI设计DNA/RNA/蛋白质再突破
近日,斯坦福大学和加州大学伯克利分校在《科学》杂志发表重要成果,发现DNA Scaling Law规律,揭示了DNA、RNA和蛋白质分子长度与碱基对数量之间的比例关系。该研究为AI设计生物分子带来突破,通过数据收集、模型训练和优化设计等步骤,显著提高设计效率和准确性,降低成本,并拓展应用范围。论文地址:https://www.science.org/doi/10.1126/science.ado9336。
329 26