SteerAF：基于距离图引导 AlphaFold2 走向替代构象

端到端结构预测器（例如 AlphaFold2）通常只输出给定蛋白质的优势构象状态，而这一结果会受到训练数据集的偏倚影响。现有用于恢复替代构象的策略通常计算代价较高，且生物学可解释性有限。本文提出了 SteerAF，这是一种基于 AlphaFold2 的推理时优化框架，利用由深度多序列比对（MSA）导出的距离图谱中编码的信息来预测蛋白质的替代构象。 在四个基准数据集上，SteerAF 在大多数体系的替代构象预测中与现有方法相当或更优。通过块梯度上升生成的稀疏 MSA 特征修饰与实验表征的功能残基表现出很强的相关性，并能以约 50% 的精确率在测试蛋白中恢复这些残基。此外，SteerAF 在缺乏实验结构的情况下能够实现有效的诱饵结构筛选，其预测结果还可作为分子动力学模拟的种子结构，用于描绘构象景观。因此，SteerAF 为预测替代构象提供了一种高效且具有可解释性的方法，并提供了一个可扩展至其他类似预测器和相关问题的框架。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交某个特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上位于本页底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.19.733296v1?rss=1

🏷️ 蛋白质结构预测 替代构象 AlphaFold2 多序列比对 距离图谱 推理时优化