Die Studie testete die Fähigkeit des Modells AlphaFold (AF), sowohl bekannte als auch alternative Faltenzustände von Proteinen vorherzusagen. Dazu wurden 92 Proteinpaare verwendet, die experimentell bekannte Faltenwechsel gezeigt hatten. Die meisten dieser Proteine sind wahrscheinlich Teil des Trainingssets von AF, da sie in der Protein-Datenbank (PDB) vor 2022 hinterlegt wurden. AF hat verschiedene Methoden, um diese Proteinpaare vorherzusagen. Die Vorhersagen wurden anhand von TM-Scores bewertet, die die Ähnlichkeit der Topologie und Verbindungen zwischen sekundären Strukturelementen quantifizieren. Die Studie verglich die Leistung verschiedener AF-Methoden mit und ohne Schablonen sowie mit einer Multimer-Modellierung auf den Proteinpaaren und fand unterschiedliche Erfolgsraten.
Es stellte sich heraus, dass AF2 und AF3 Schwierigkeiten hatten, alternative Protein-Konformationen außerhalb ihres Trainingssets vorherzusagen. In einigen Fällen basierten die Vorhersagen von AF auf einer möglichen Memorierung von Trainingsset-Strukturen anstelle von Ko-Evolutionssignalen. Dies erschwert die Vorhersage von alternative Konformationen von Proteinen außerhalb des Trainingssets. Die Leistung von AF hängt auch davon ab, ob strukturelle Hinweise aus den MSAs oder aus bisher gelernten Strukturen stammen. Die Studie zeigte, dass AF möglicherweise bestimmte Falten nur aufgrund von früheren Trainingssätzen vorhersagen kann, anstatt auf coevolutionären Hinweisen basierend. Darüber hinaus wurde festgestellt, dass AF-Methoden wie AlphaFold 3 bei der Vorhersage alternativer Konformationen Schwierigkeiten haben und oft konservative Strukturvorhersagen treffen.