AFsample3：AlphaFold3驱动的蛋白多重构象状态生成与选择

蛋白质的功能实现与构象动态变化密切相关，从酶的催化循环到受体的信号传导，从抗体的抗原识别到转运蛋白的底物转运，其生物学活性均依赖于不同构象状态间的转换。传统蛋白质结构预测方法（包括AlphaFold系列早期版本）虽在单一优势构象预测上取得突破性进展，但难以捕捉蛋白质天然存在的构象多样性，成为解析蛋白质作用机制、开发靶向药物的重要瓶颈。

瑞典林雪平大学的Yogesh Kalakoti和Björn Wallner团在预印版平台bioRxiv发表的最新研究，推出了基于AlphaFold3（AF3）的增强采样框架AFsample3。该工具通过创新的多序列比对（MSA）扰动策略和无参考构象筛选系统，在多构象蛋白质建模领域实现了飞跃，为结构生物学研究提供了更强大的技术支撑。本文将从技术原理、核心性能、创新价值及应用前景等方面，对该研究进行深度解析。

一、技术原理：基于AlphaFold3的多构象生成与筛选机制

AFsample3的核心创新在于对AlphaFold3推理系统的精准优化，无需额外网络训练，通过模块化设计实现了构象多样性生成与高效筛选，其技术框架主要包括三大核心模块：

1. MSA随机掩码策略：打破进化信号束缚

AFsample3延续了AFsample2的MSA扰动思路，但针对AlphaFold3的扩散模型架构进行了关键优化。其核心机制是在推理过程中随机掩码MSA的部分列，通过打破原始MSA中固定的进化保守信号，促使模型探索更广泛的构象空间。

研究发现，AlphaFold3对MSA扰动的耐受性显著高于AlphaFold2：AFsample3的最优MSA掩码比例为40%，而AlphaFold2在掩码比例超过20%后性能急剧下降。这种高耐受性源于AlphaFold3的扩散模型架构，其在处理噪声输入时的鲁棒性更强，即使50% MSA被掩码，模型仍能保持>80的置信度（pLDDT），且生成构象的质量显著优于同等扰动下的AlphaFold2模型。

2. 多参数优化的采样系统

为平衡构象质量与计算效率，AFsample3建立了多参数优化的采样体系：

• 采样规模：针对238个靶标蛋白的测试表明，多数蛋白仅需生成300个模型即可获得高质量交替构象，较AFsample2的采样需求显著降低；
• 组合策略：支持MSA掩码与MSA子采样的联合使用，对于部分目标蛋白，AFsample2结合子采样后可生成更优构象（36/238靶标），而AFsample3因本身已捕获MSA子采样的优势，联合使用无显著性能提升；
• 动态适配：针对不同蛋白的构象特性，支持掩码比例（0.0-0.5）和聚类数量（默认k=20）的灵活调整，实现个性化采样。

3. DiSco无参考构象筛选协议

针对实际研究中缺乏实验参考构象的场景，AFsample3开发了基于距离评分（DiSco）的无参考状态选择系统，其核心流程包括：

1. 利用Foldseek计算模型间成对TM-score，构建相似性矩阵；
2. 通过PCA降维和k-means聚类，将构象 ensemble 划分为k个结构簇；
3. 采用“高置信度优先+最大差异性”策略排序簇代表：先选择置信度最高的簇，后续依次选择与已选簇TM-score最小的簇，生成构象候选列表。

性能验证表明，DiSco协议显著优于基于置信度或簇大小的筛选方法：选择前5个簇代表时，交替构象的平均minTM达0.78，较后两者（0.74）提升明显；针对单构象预测，前10个簇代表中89%（212/238）的目标蛋白可获得TM>0.8的高质量模型，接近理论最优水平（95%）。

二、核心性能：基于238个多构象蛋白的全面验证

研究团队采用Cfold数据集（238个非冗余蛋白，每个蛋白含至少两种实验确定构象，TM-score差异0.3-0.8）（Fig. 1），从构象质量、多样性、鲁棒性三个维度对AFsample3进行了全面验证，其核心性能优势如下：

1. 构象预测质量显著提升

• 交替构象优化：28%的靶标蛋白（67/238）的交替构象预测质量实现显著改善（ΔTM>0.1），仅3%（8/238）的目标性能轻微下降，与AF2vanilla、AF3vanilla、AFsample2的改善-恶化比分别达96:14、67:8、72:20；
• 高质量构象数量激增：TM>0.8的高质量交替构象数量从AF3vanilla的54个增至83个，提升幅度达54%（p<0.0001），远超AFsample2的63个和AF2vanilla的32个；
• 无性能权衡：与AFsample2 改善交替构象需牺牲优势构象质量 不同，AFsample3同时提升了优势构象（平均TM=0.874）和交替构象（平均TM=0.733）的预测质量，展现出更强的整体鲁棒性。

2. 构象ensemble多样性大幅增强

采用优化后的fill-ratio指标（强调两端构象的同时量化中间态分布）评估构象多样性：

• AFsample3的平均fill-ratio达0.313，显著高于AF3vanilla（0.215）、AFsample2（0.279）和AF2vanilla（0.195）；
• 典型案例验证：对于大肠杆菌核糖结合蛋白（1URP），AF2vanilla和AF3vanilla均无法生成交替构象，而AFsample3不仅成功预测交替构象，还生成了fill-ratio=0.90的多样化ensemble；对于周质二肽转运受体（1DPP），AFsample3的fill-ratio（0.96）较AF3vanilla（0.62）提升55%。

3. 中间态构象的生物学有效性

AFsample3生成的中间态构象经PDB结构映射验证，展现出明确的生物学相关性：

• 在fill-ratio>0.27的118个ensemble中，77个包含可映射至已知PDB结构的中间态，证实这些构象并非随机噪声，而是蛋白质天然构象空间的组成部分；
• 41个未找到PDB匹配的ensemble，其预测中间态可能代表尚未被实验解析的功能关键态，为后续研究提供了新的靶点。

4. 跨场景鲁棒性优异

AFsample3在不同构象差异和序列长度的目标蛋白中均表现稳定：

• 针对构象相似度较高（TM>0.5）的目标蛋白，其交替构象预测准确率提升最为显著；
• 对于长序列蛋白（序列长度>1000 AA），仍能保持稳定的构象生成能力，而传统方法往往因序列复杂性导致性能下降。

三、创新价值：多构象建模领域的三大突破

1. 技术突破：AlphaFold3架构的高效适配

AFsample3系统验证了MSA扰动策略在AlphaFold3扩散模型架构中的有效性，揭示了AlphaFold3对噪声输入的高耐受性。这一发现不仅为后续多构象建模工具开发提供了重要参考，也为理解AlphaFold3的推理机制提供了关键 insights——其扩散模型架构在保留进化信号的同时，具备更强的构象空间探索能力。

2. 方法突破：无参考构象筛选的标准化

DiSco协议的开发实现了无参考构象筛选的标准化，解决了传统方法依赖实验参考结构的局限性。该协议可直接应用于未知构象蛋白的研究，为孤儿蛋白、新发现蛋白的构象解析提供了可行方案，显著拓展了多构象建模的应用场景。

3. 性能突破：质量与多样性的协同优化

AFsample3打破了“构象质量与多样性不可兼得”的传统困境，通过MSA掩码比例的精准优化和筛选策略的创新，实现了两者的协同提升。这种协同效应使得AFsample3不仅能生成高质量的两端构象，还能捕获连续的构象过渡态，为解析蛋白质构象转换机制提供了更完整的模型支撑。

四、应用前景与研究启示

1. 核心应用场景

• 机制解析：通过捕获完整的构象景观，助力解析变构调节、酶激活、受体脱敏等依赖构象转换的生物学过程。例如，在分泌型卷曲相关蛋白（sFRP）的研究中，AFsample3预测的构象 ensemble 成功捕获了Fz结构域与netrin样结构域的铰链旋转运动，与SAXS实验结果一致；
• 药物研发：针对药物靶点的多构象状态设计小分子药物或抗体，可提高药物的特异性和亲和力，减少脱靶效应。例如，针对激酶的活性态与非活性态设计双靶点抑制剂，提升治疗效果；
• 实验指导：预测的未解析中间态构象可为冷冻电镜、X射线晶体学等实验提供明确的靶点，加速实验解析进程；
• 数据库补充：生成的高质量多构象模型可丰富PDB数据库，为结构生物学研究提供更多参考。

2. 研究局限与未来方向

尽管AFsample3取得了显著进展，但仍存在一定局限：

• 最优参数的个性化选择：目前掩码比例和采样规模的优化依赖经验值，未来需开发基于蛋白序列/结构特征的自动适配算法；
• 极端构象的预测能力：对于构象差异极大（TM<0.3）的蛋白，其交替构象预测准确率仍有提升空间；
• 计算效率的进一步优化：尽管较AFsample2有所提升，但大规模ensemble生成仍需较高计算资源。

未来研究可围绕三个方向展开：一是结合深度学习算法预测最优采样参数，实现完全自动化多构象建模；二是整合分子动力学模拟数据，进一步提升中间态构象的准确性；三是拓展至蛋白-配体、蛋白-蛋白复合物的多构象建模，满足更复杂的研究需求。

3. 与同类方法的对比优势

由上表可见，AFsample3在构象质量、多样性和功能完整性上均处于同类方法领先水平，且计算开销与主流方法相当，具备较强的实用性。

五、总结

AFsample3作为基于AlphaFold3的增强采样框架，通过创新的MSA随机掩码策略、DiSco无参考筛选协议和多参数优化系统，在多构象蛋白质建模领域实现了技术突破。其核心优势在于：无需额外网络训练，即可显著提升交替构象预测质量和构象ensemble多样性；无参考筛选功能拓展了应用场景；计算开销可控，具备实际应用价值。

参考文献：Yogesh Kalakoti, Björn Wallner, AFsample3: Generating and selecting multiple conformational states with Alphafold3, bioRxiv 2026.01.16.699904.