AI 预测的蛋白质形变编码了能量景观

AI 算法已被证明是出色的蛋白质结构预测器，但这些算法能在多大程度上捕获底层物理仍是一个开放问题。在此，我们旨在使用 Alphafold2（AF）算法检验该问题：我们利用 AF 预测由单点突变引起的细微结构形变（以应变量化），并与相应折叠自由能扰动 $\Delta\Delta G$ 的实验数据集比较。出乎意料地，我们发现仅物理应变——无需任何额外数据或计算——与 $\Delta\Delta G$ 的相关性几乎与最先进的基于能量和机器学习的预测器一样好。这表明 AF 预测的结构本身编码了关于能量景观的精细细节。特别是，这些结构编码了关于稳定性的显著信息，足以估计突变的（去）稳定效应，从而为开发用于蛋白质设计与进化的新型基于结构的稳定性预测器铺平了道路。