- 5 次围观
表面诱导解离天然质谱（Surface-Induced Dissociation native Mass Spectrometry, SID-nMS）是一种串联质谱（tandem MS）活化方法，可提供关于蛋白质复合物连接关系和化学计量比的信息。尽管这些信息不足以直接解析结构，但由SID-nMS获得的数据在指导多聚体蛋白质结构预测方面具有相当大的潜力。我们假设，将这些数据整合到机器学习框架中，能够使多聚体预测精度超越现有深度学习方法。为此，我们开发了SIDFold，这是一种新型的基于AlphaFold的深度学习网络。SIDFold是首个在蛋白质复合物预测过程中利用实验数据的类AlphaFold网络，也是首个将nMS数据用于结构预测的深度学习网络。 我们在BETA蛋白质数据集上对SIDFold进行了基准测试，观察到在227个案例中有138个案例的RMSD得到改善，其中包括27个靶标，其预测结构达到了近天然精度。随后，我们在20种具有实验SID-nMS数据的蛋白质上评估了该网络，其中18个案例的RMSD得到改善，且其中5个案例提升为高精度复合物。最后，我们将SIDFold与一种先前发表的SID引导Rosetta对接方法进行了比较测试，结果显示在16种蛋白质中有13种获得了改进。SIDFold已在GitHub上免费开放，示例文件和命令可在补充信息中获取。
将表面诱导解离质谱数据整合到源自 AlphaFold 的深度学习网络中可改善蛋白质结构预测 | bioRxiv
跳转至主要内容
首页 关于 提交 提醒 / RSS 搜索此关键词 高级搜索 最新结果
将表面诱导解离质谱数据整合到源自 AlphaFold 的深度学习网络中可改善蛋白质结构预测
Robert M. Bolz， Elijah H. Day， Zachary C. Drake， Sophie R. Harvey， Vicki H. Wysocki， Steffen Lindert
doi： https://doi.org/10.64898/2026.06.26.734850
Robert M. Bolz 1 加利福尼亚大学洛杉矶分校； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可协议提供。
返回顶部
上一页 下一页
发表于 2026 年 6 月 29 日。
下载 PDF
补充材料
电子邮件
感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 *
您的姓名 *
发送至 *
输入多个地址时，请分行输入或用逗号分隔。
您将要通过电子邮件发送以下内容
将表面诱导解离质谱数据整合到源自 AlphaFold 的深度学习网络中可改善蛋白质结构预测
邮件主题
（您的姓名）已从 bioRxiv 转发给您一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。
分享
将表面诱导解离质谱数据整合到源自 AlphaFold 的深度学习网络中可改善蛋白质结构预测
Robert M. Bolz， Elijah H. Day， Zachary C. Drake， Sophie R. Harvey， Vicki H. Wysocki， Steffen Lindert
bioRxiv 2026.06.26.734850； doi： https://doi.org/10.64898/2026.06.26.734850
分享本文：
复制
引文工具
将表面诱导解离质谱数据整合到源自 AlphaFold 的深度学习网络中可改善蛋白质结构预测
Robert M. Bolz， Elijah H. Day， Zachary C. Drake， Sophie R. Harvey， Vicki H. Wysocki， Steffen Lindert
bioRxiv 2026.06.26.734850； doi： https://doi.org/10.64898/2026.06.26.734850
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.26.734850v1?rss=1
🏷️ 蛋白质结构预测 AlphaFold 质谱整合 深度学习 蛋白质复合物