总部位于英国的公司深态可以说，已经解决了生物学几十年来面临的最大挑战之一 - “蛋白质折叠问题” - 使用称为AI系统Alphafold。¹

解决旧问题的新解决方案？

蛋白质是分子机器，在人类和其他生物体中进行生命的生理过程。研究蛋白质组，，，，识别蛋白质，特征和分析它们的生物学是蛋白质组学研究领域的重点，该领域近年来以令人印象深刻的速度增长和进步。

蛋白质的巨大功能与其形状和结构很大程度上相关。蛋白质能够将自己折成特定的形状和结构，这些形状和结构准确地决定了如何它们与其他分子相互作用。以药理学为例。几乎全部药物通过靶向人体中的蛋白质来引起其作用。因此，确定蛋白质结构是蛋白质组学研究的基本组成部分，并且具有巨大的应用。但是，由于存在大量蛋白质以及它们可以吸收的无数不同形状，这并不是一件容易的事。

“我们一直困扰着这个问题 - 蛋白质如何折叠近50年。要看到DeepMind为此产生解决方案，并亲自在这个问题上工作了这么长时间，并且经过这么多停止，并开始了’d ever get there, is a very special moment," – Professor John Moult, co-founder and chair of CASP, in a 新闻稿 。

多年来，已经开发了一系列分析技术来尝试解决问题，包括X射线晶体学，冷冻电子显微镜和基于质谱的方法。但是，这些方法可能是复杂的，昂贵的，并且整个研究项目（例如，博士学位）可以致力于确定一种蛋白质的结构。

Alphafold通过将蛋白质比喻为“空间图”，采用AI来预测和确定蛋白质的结构和形状。"We created an attention-based neural network system, trained end-to-end, that attempts to interpret the structure of this graph, while reasoning over the implicit graph that it’s building. It uses evolutionarily related sequences, multiple sequence alignment (MSA), and a representation of amino acid residue pairs to refine this graph,"说Alphafold的开发人员。

约翰·穆尔特（John Moult）教授兼克尔兹兹特夫·菲德利斯（Krzysztof Fidelis）教授在1993年对蛋白质结构预测（CASP）建立了批判性评估，以催化蛋白质结构预测的研究。CASP选择了最近已确定为研究组的蛋白质结构，以测试其预测方法的准确性。得分图（GDT）被称为全球距离测试（GDT），范围为0-100，其中90通常被认为是“竞争”结果。在所有目标中，Alphafold的得分为92.4 GDT。

该系统能够对蛋白质的物理结构进行强有力的预测，并可以在几天内确定高度准确的结构。

开发商说，“我们对该系统进行了培训，该系统培训了由蛋白质数据库中约170,000个蛋白质结构以及包含未知结构蛋白质序列的大数据库组成的公开数据。它使用大约128个TPUV3核（大约等同于〜100-200 GPU）运行几周，在当今机器学习中使用的大多数大型最新模型的背景下，这是相对适量的计算。”

“这项计算工作代表了关于蛋白质折叠问题的惊人进步，这是一个50年历史的生物学挑战。它发生在该领域的许多人预测的数十年中。这将从根本上改变生物学研究，” - 诺贝尔奖获得者兼皇家学会主席Venki Ramakrishnan教授， 在一个 新闻稿 。

扩大科学知识的前沿

“ Alphafold惊人的准确模型使我们能够解决我们近十年来一直坚持使用的蛋白质结构，从而重新启动了我们的努力，以了解信号如何在细胞膜之间传输，”说Max Planck发展生物学研究所主任Andrei Lupas教授。

在公告中，开发人员致力于未来大流行反应策略中蛋白质结构预测系统的潜在效用。在过去几个月中，表征SARS-COV-2蛋白质的结构以及与之相互作用以感染宿主细胞的人类蛋白质的主要研究重点。“今年早些时候，我们预测了SARS-COV-2病毒的几种蛋白质结构，包括ORF3A，其结构以前是未知的，” DeepMind说。

尽管尚未发布有关此公告的数据，但它已经在科学界引起了人们的兴奋。


“今天宣布的进展使我们进一步相信，AI将成为扩大科学知识边界的人类最有用的工具之一，我们期待着未来的多年努力和发现！”深态得出结论。

参考：

1。 跳线J等人。高精度蛋白质结构使用深度学习预测。第十四次批判性评估蛋白质结构预测技术（摘要书）。https://predictioncenter.org/casp14/doc/casp14_abstracts.pdf。2020年11月30日访问。