ABSTRACT Protein residue-residue contact prediction from protein sequence information has undergone substantial improvement in the past few years, which has made it a critical driving force for building correct protein tertiary structure models. Improving accuracy of contact predictions has, therefore, become the forefront of protein structure prediction. Here, we show a novel contact map denoising method, ContactGAN, which uses Generative Adversarial Networks (GAN) to refine predicted protein contact maps. ContactGAN was able to make a consistent and significant improvement over predictions made by recent contact prediction methods when tested on two datasets including protein structure modeling targets in CASP13. ContactGAN will be a valuable addition in the structure prediction pipeline to achieve an extra gain in contact prediction accuracy.

Abstract This paper describes outcomes of the 2019 Cryo-EM Map-based Model Metrics Challenge sponsored by EMDataResource ( www.emdataresource.org ). The goals of this challenge were (1) to assess the quality of models that can be produced using current modeling software, (2) to check the reproducibility of modeling results from different software developers and users, and (3) compare the performance of current metrics used for evaluation of models. The focus was on near-atomic resolution maps with an innovative twist: three of four target maps formed a resolution series (1.8 to 3.1 Å) from the same specimen and imaging experiment. Tools developed in previous challenges were expanded for managing, visualizing and analyzing the 63 submitted coordinate models, and several novel metrics were introduced. The results permit specific recommendations to be made about validating near-atomic cryo-EM structures both in the context of individual laboratory experiments and holdings of structure data archives such as the Protein Data Bank. Our findings demonstrate the relatively high accuracy and reproducibility of cryo-EM models derived from these benchmark maps by 13 participating teams, representing both widely used and novel modeling approaches. We also evaluate the pros and cons of the commonly used metrics to assess model quality and recommend the adoption of multiple scoring parameters to provide full and objective annotation and assessment of the model, reflective of the observed density in the cryo-EM map.

Abstract AlphaFold2 showed a substantial improvement in the accuracy of protein structure prediction. Following the release of the software, whole-proteome protein structure predictions by AlphaFold2 for 21 organisms were made publicly available. Here, we developed the infrastructure, 3D-AF-Surfer, to enable real-time structure-based search for the AlphaFold2 models by combining molecular surface representation with 3D Zernike descriptors and deep neural networks.

Abstract An increasing number of density maps of macromolecular structures, including proteins and protein and DNA/RNA complexes, have been determined by cryo-electron microscopy (cryo-EM). Although lately maps at a near-atomic resolution are routinely reported, there are still substantial fractions of maps determined at intermediate or low resolutions, where extracting structure information is not trivial. Here, we report a new computational method, Emap2sec+, which identifies DNA or RNA as well as the secondary structures of proteins in cryo-EM maps of 5 to 10 Å resolution. Emap2sec+ employs the deep Residual convolutional neural network. Emap2sec+ assigns structural labels with associated probabilities at each voxel in a cryo-EM map, which will help structure modeling in an EM map. Emap2sec+ showed stable and high assignment accuracy for nucleotides in low resolution maps and improved performance for protein secondary structure assignments than its earlier version when tested on simulated and experimental maps.

Cryo-EM is a powerful method for determining protein structures. But it requires computational assistance. Physics-based computations have the power to give low-free-energy structures and ensembles of populations, but have been computationally limited to only small soluble proteins. Here, we introduce CryoFold. By integrating data of varying sparsity from electron density maps of 3–5 Å resolution with coarse-grained physical knowledge of secondary and tertiary interactions, CryoFold determines ensembles of protein structures directly from sequence. We give six examples showing its broad capabilities, over proteins ranging from 72 to 2000 residues, including membrane and multi-domain proteins, and including results from two EMDB competitions. The ensembles CryoFold predicts starting from the density data of a single known protein conformation encompass multiple low-energy conformations, all of which are experimentally validated and biologically relevant.

ABSTRACT Protein 3D structure prediction has advanced significantly in recent years due to improving contact prediction accuracy. This improvement has been largely due to deep learning approaches that predict inter-residue contacts and, more recently, distances using multiple sequence alignments (MSAs). In this work we present AttentiveDist, a novel approach that uses different MSAs generated with different E-values in a single model to increase the co-evolutionary information provided to the model. To determine the importance of each MSA’s feature at the inter-residue level, we added an attention layer to the deep neural network. The model is trained in a multi-task fashion to also predict backbone and orientation angles further improving the inter-residue distance prediction. We show that AttentiveDist outperforms the top methods for contact prediction in the CASP13 structure prediction competition. To aid in structure modeling we also developed two new deep learning-based sidechain center distance and peptide-bond nitrogen-oxygen distance prediction models. Together these led to a 12% increase in TM-score from the best server method in CASP13 for structure prediction.

ABSTRACT Lowe Syndrome (LS) is a lethal genetic disorder caused by mutations in the OCRL1 gene which encodes the lipid 5’ phosphatase Ocrl1. Patients exhibit a characteristic triad of symptoms including eyes, brain and kidneys abnormalities with renal failure as the most common cause of premature death. Over 200 OCRL1 mutations have been identified in LS, but their specific impact on cellular processes is unknown. Despite observations of heterogeneity in patient symptom severity, there is little understanding of the correlation between genotype and its impact on phenotype. Here, we show that different mutations had diverse effects on protein localization and on triggering LS cellular phenotypes. In addition, some mutations affecting specific domains imparted unique characteristics to the resulting mutated protein. We also propose that certain mutations conformationally affect the 5’-phosphatase domain of the protein, resulting in loss of enzymatic activity and causing common and specific phenotypes. This study is the first to show the differential effect of patient 5’-phosphatase mutations on cellular phenotypes and introduces a conformational disease component in LS. This work provides a framework that can help stratify patients as well as to produce a more accurate prognosis depending on the nature and location of the mutation within the OCRL1 gene.

An increasing number of biological macromolecules have been solved with cryo-electron microscopy (cryo-EM). Over the past few years, the resolutions of density maps determined by cryo-EM have largely improved in general. However, there are still many cases where the resolution is not high enough to model molecular structures with standard computational tools. If the resolution obtained is near the empirical border line (3-4 Å), a small improvement of resolution will significantly facilitate structure modeling. Here, we report SuperEM, a novel deep learning-based method that uses a three-dimensional generative adversarial network for generating an improved-resolution EM map from an experimental EM map. SuperEM is designed to work with EM maps in the resolution range of 3 Å to 6 Å and has shown an average resolution improvement of 1.0 Å on a test dataset of 36 experimental maps. The generated super-resolution maps are shown to result in better structure modelling of proteins.

The three-dimensional structure of a protein plays a fundamental role in determining its function and has an essential impact on understanding biological processes. Despite significant progress in protein structure prediction, such as AlphaFold2, challenges remain on those hard targets that Alphafold2 does not often perform well due to the complex folding of protein and a large number of possible conformations. Here we present a modified version of the AlphaFold2, called Distance-AF, which aims to improve the performance of AlphaFold2 by including distance constraints as input information. Distance-AF uses AlphaFold29s predicted structure as a starting point and incorporates distance constraints between amino acids to adjust folding of the protein structure until it meets the constraints. Distance-AF can correct the domain orientation on challenging targets, leading to more accurate structures with a lower root mean square deviation (RMSD). The ability of Distance-AF is also useful in fitting protein structures into cryo-electron microscopy maps.