Structure (生物学)

来自医学百科

Structure(生物大分子结构)是分子生物学和生物化学的核心概念,遵循“结构决定功能” (Structure Determines Function) 的中心法则。生物大分子(如 蛋白质核酸)必须折叠成特定的三维空间构象才能行使正常的生物学功能(如催化、识别、运输等)。
结构的解析是理解生命过程分子机制的关键。从 1953 年 DNA双螺旋 的发现,到 AlphaFold 对蛋白质结构的精准预测,人类对结构的认知已从静态的晶体学迈向了动态的原子分辨率。目前,科学家主要依靠 X射线晶体学冷冻电镜 (Cryo-EM)核磁共振 (NMR) 等技术来解析这些复杂的分子建筑。

Structure
Biomolecular Structure (点击展开)
                   🧊
生命的分子建筑
基本属性
学科领域 结构生物学
核心数据库 PDB (Protein Data Bank)
测量单位 埃 (Å, 10⁻¹⁰ m)
动态性 构象变化 (Conformational Change)
解析技术
金标准 X-ray Crystallography
大分子首选 Cryo-EM (冷冻电镜)
AI 预测 AlphaFold / Rosetta

结构层级:从序列到折叠

以蛋白质为例,其结构可严格划分为四个层级,每一级都建立在前一级的基础之上。

  • 一级结构 (Primary): 氨基酸序列(线性)。由基因序列直接决定,通过肽键连接。它是折叠的“蓝图”。
  • 二级结构 (Secondary): 局部的主链折叠模式。主要由氢键维持,最常见的形式是 α-螺旋 (α-helix)β-折叠 (β-sheet)。这些是构成复杂结构的“积木”。
  • 三级结构 (Tertiary): 一条多肽链在三维空间中的完整折叠。由侧链基团(R基)之间的相互作用维持,包括疏水作用、离子键、二硫键等。这是蛋白具备功能的最小单位。
  • 四级结构 (Quaternary): 多条多肽链(亚基)组装成的复合体。例如血红蛋白(四聚体)或 CRISPR 中的 Cas1-Cas2 复合物。

技术革命:分辨率的竞赛

结构生物学的发展史就是一部不断提高“看清”分子能力的历史。

技术手段 原理简述 优势与局限
X射线晶体学 (X-ray) 利用晶体衍射图谱推算电子密度。 分辨率最高,但难点在于需要将样品“结晶”(许多蛋白难以结晶)。
核磁共振 (NMR) 在强磁场中测定原子核的自旋能级。 可测定溶液中的动态结构,但受限于分子量(<30 kDa)。
冷冻电镜 (Cryo-EM) 对快速冷冻的样品进行电子显微成像并重构。 无需结晶,适合超大复合物(如核糖体、病毒),是近年来的革命性突破(Resolution Revolution)。

应用:基于结构的药物设计 (SBDD)

  • 锁钥模型: 药物研发不再是盲目筛选,而是基于靶点蛋白(如激酶、受体)的口袋结构,设计能完美契合的分子(抑制剂)。例如,恩考芬尼 就是根据 BRAF V600E 的 ATP 结合口袋设计的。
  • AlphaFold 时代: AI 算法 AlphaFold2 解决了困扰生物学 50 年的“蛋白折叠问题”,能从序列直接预测出接近实验精度的结构,极大加速了未知蛋白的功能研究和药物靶点发现。
       学术参考文献 [Academic Review]
       

[1] Anfinsen CB. (1973). Principles that govern the folding of protein chains. Science.
[点评]:经典之作。诺贝尔奖得主 Anfinsen 提出了著名的“热力学假说”,证明蛋白质的三维结构完全由其氨基酸序列决定。

[2] Watson JD, Crick FH. (1953). Molecular structure of nucleic acids; a structure for deoxyribose nucleic acid. Nature.
[点评]:生物学史上最重要的论文之一。双螺旋结构的发现标志着分子生物学的诞生,完美诠释了“结构提示复制机制”。

[3] Jumper J, et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature.
[点评]:DeepMind 团队的里程碑工作,展示了 AI 在预测蛋白质结构方面达到了实验精度,改变了结构生物学的研究范式。

           生物学核心概念 · 知识图谱
上级分类 分子生物学 • 生物物理学
解析技术 Cryo-EMX-rayNMR
相关应用 SBDD (药物设计) • AlphaFold (预测)