结构生物信息学是生物信息学的一个重要分支，它专注于分析和预测生物大分子（主要是蛋白质和核酸）的三维结构，并从结构出发推断其生物学功能。
如果说基因组学提供了生命的“蓝图”，那么结构生物信息学就是研究这个“蓝图”如何折叠、组装成有功能的“分子机器”。它回答的核心问题是：“这些分子长什么样？它们的形状如何决定了它们的功能？”
核心研究内容
| 研究方向 | 核心任务 | 关键方法与技术 | 应用实例 |
|---|---|---|---|
| 蛋白质结构预测 | 从氨基酸序列出发，预测其折叠成的三维结构。 | 同源建模 (SWISS-MODEL) 从头预测 (Rosetta) 深度学习 (AlphaFold2, RoseTTAFold) | 快速获得尚未解析结构的蛋白质（如新发现的病毒蛋白）的可靠结构模型。 |
| 结构比对与分类 | 比较不同蛋白质的结构相似性，并归类到结构家族中。 | TM-align, DALI, CE SCOP, CATH 数据库 | 发现两个序列相似度很低的蛋白质可能具有相似的结构和功能。 |
| 分子对接 | 预测两个分子（如蛋白-药物、抗原-抗体）结合的模式和亲和力。 | AutoDock Vina, HADDOCK, Glide | 计算机辅助药物设计，虚拟筛选能与靶点蛋白紧密结合的小分子药物。 |
| 分子动力学模拟 | 模拟原子尺度下生物大分子的动态运动和构象变化。 | GROMACS, AMBER, NAMD, CHARMM | 研究离子通道蛋白如何“开关”，或酶催化过程中活性位点的微秒级动态变化。 |
| 结构与功能分析 | 从结构出发，分析活性位点、功能界面、稳定性关键残基等。 | CASTp (空腔计算), ProSA (能量评估), mCSM (突变效应预测) | 预测某个基因突变（如SNP）对蛋白质稳定性和功能的潜在影响。 |
核心技术方法
1. 蛋白质结构预测：从序列到结构
这是结构生物信息学最具影响力的领域。当前主流方法有三种，其准确度有很大差异：
同源建模：基于已知结构的同源蛋白，通过序列比对构建目标蛋白的结构模型。代表性软件为SWISS-MODEL，适用于序列相似度高于30%的情况。
从头预测：不依赖已知结构，直接从物理化学原理出发计算蛋白质折叠。Rosetta是该领域的经典工具，但计算成本高，适用于小蛋白。
深度学习：以AlphaFold2和RoseTTAFold为代表，利用神经网络从大量序列和结构数据中学习折叠规律，预测精度已接近实验水平，是当前最强大的预测方法。
2. 结构比对与分类
结构比对工具如TM-align、DALI和CE能够比较不同蛋白质的三维结构，即使序列相似性很低，也能发现结构上的相似性。SCOP和CATH数据库则对已知结构进行分类，帮助理解蛋白质进化与功能关系。
3. 分子对接与虚拟筛选
分子对接技术预测小分子（如药物）与靶标蛋白的结合模式。AutoDock Vina、HADDOCK和Glide等软件通过搜索构象空间并评估结合能，实现虚拟筛选，加速药物发现。
4. 分子动力学模拟
GROMACS、AMBER、NAMD和CHARMM等软件通过牛顿力学模拟原子运动，揭示蛋白质的动态行为，如构象变化、配体结合过程等，时间尺度可达微秒级。
5. 结构与功能分析
CASTp用于计算蛋白质空腔和通道，ProSA评估结构能量合理性，mCSM预测突变对蛋白质稳定性和功能的影响。这些工具在解读突变致病机制中发挥重要作用。
应用与展望
结构生物信息学已广泛应用于药物设计、酶工程、蛋白质设计等领域。随着AlphaFold等AI技术的突破，结构预测的精度大幅提升，未来将更深入地揭示生命过程的分子机制，并推动精准医学发展。