AI结构预测的边界：AlphaFold为何不能取代实验结构生物学

主要观点总结

本文探讨了AlphaFold2在蛋白质结构预测方面的可靠性，尤其是在GPCR结构预测方面的局限性。文章指出AI结构预测尚不能完全取代实验结构生物学，需要联合使用以辅助药理学研究和药物设计。

关键观点总结

关键观点1: AlphaFold2在蛋白质结构预测方面的表现

AlphaFold2能够准确捕捉蛋白质的整体骨架特征，但在关键细节如胞外域与跨膜域的组装、配体结合口袋的形状以及信号传导界面的构象等方面存在显著差异，这些差异限制了其在GPCR功能研究和基于结构的药物设计中的应用能力。

关键观点2: AI结构预测与实验结构生物学的对比

虽然AI结构预测如AlphaFold2为研究领域带来了革命性的变化，但它不能完全取代实验结构生物学。实验结构生物学方法如X射线晶体学、核磁共振（NMR）和冷冻电子显微学（Cryo-EM）具有精确可靠性，但过程繁琐、耗时耗力。而AI预测工具虽然能够提供有力的辅助，但在某些关键区域存在误差，需要结合实验方法进行验证。

关键观点3: AlphaFold2在GPCR结构预测中的局限性

AlphaFold2在预测GPCR结构时面临一些挑战，特别是在捕捉GPCR的高度复杂结构和激活时的显著动态变化方面。此外，在某些关键区域如跨膜螺旋6（TM6）的预测以及配体结合的口袋结构方面也存在误差。