bAIes 不再只依赖 AlphaFold2：换用六种结构预测器，无序蛋白原子级构象集合精度相当
核心概要
bAIes 原本只从 AlphaFold2 的距离分布图提取结构信息，用来生成无序蛋白的原子级构象集合。现在它接入 AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2 六种预测器，并在 17 个无序蛋白的 NMR 与 SAXS 数据上比较。各预测器给出的集合平均精度与原 AlphaFold2 版本相当，对化学位移、RDC 和 3J 耦合等局部观测量最好，对 PRE 和 SAXS 这类长程与整体压缩观测量偏弱。
深度剖析
无序蛋白没有单一稳定结构，其功能由动态构象集合决定，而实验手段只能给出稀疏且集合平均的结构信息。bAIes 把 AI 结构预测器输出的残基间距离分布当作约束，用分子动力学采样出原子级集合。 此前 bAIes 只使用 AlphaFold2 的距离分布图；AlphaFold2 之后出现了架构和训练数据各不相同的多种预测器，它们能否同样用于无序蛋白集合生成此前没有系统比较。 在 659 个蛋白的 PeptoneDB-CS 基准上共做 3954 次结构预测，六种预测器对有序蛋白共享 84–93% 的接触，对无序蛋白只共享 50–85%，长程接触的一致性更低。
六种预测器生成的 bAIes 集合在实验数据上的平均精度与原 AlphaFold2 版本相当，说明方法对预测器选择不敏感。 在 17 个无序蛋白的 NMR 与 SAXS 基准上，所有预测器相对随机卷曲模型都带来相近的化学位移改善；在 Aβ40、PaaA2、ACTR 和 α-synuclein 四个蛋白上，基于 ESMFold 的集合与实验的吻合优于或落在 a99SB-disp 力场全原子模拟的误差范围内。 在 PeptoneDB-Integrative 的 16 个无序蛋白上，bAIes 在化学位移上与随机卷曲模型并列最准，在 RDC 上 bAIes-ESMFold 略领先；但在 SAXS 和 PRE 上误差更大、标准差更高。
启示与展望
验证范围是 17 个已有 NMR 和 SAXS 数据的无序蛋白，以及 PeptoneDB-Integrative 中 16 个表征充分的无序蛋白，其中三个条件依赖折叠的蛋白被排除在集合比较之外。读者对象是需要原子级无序蛋白集合的结构生物学与计算化学研究者。
所有 bAIes 集合在 PRE 和 SAXS 上吻合较弱，这与预测器对无序蛋白给出的长程接触很少一致。条件依赖折叠的蛋白被所有预测器判为折叠，bAIes 继承了这一行为。基准规模不足以断定 ESMFold 系统性优于其他预测器。