AlphaFold在预测蛋白质结构中脱颖而出

 
得益于游戏中释放的AI，玩家可以鼓掌，说出诸如Whoo之类的字眼，在桌上敲打塑料刀，并享受以人工智能为主要角色的最佳周末。
英国《连线》杂志的科学编辑马特·雷诺兹(Matt Reynolds)考察了DeepMind对AI里程碑的影响：“它超越了围棋冠军，击败了专业的星际争霸玩家，并将注意力转移到了象棋和将棋上。”
让游戏继续进行，但是严肃的东西必须严肃地发光。简而言之，由于DeepMind的研究，我们可以钦佩释放用于科学发现目的的AI变得尤为活跃和出色。
技术观察者本周在研究论文中发表了评论，这些论文展示了AI的优势。 “随着人工智能作为一个领域逐渐成熟(并且已经用尽了众多的视频游戏来征服)，它的更多成就可能会是这样的：重要研究领域的扎实改进。”
发表在《自然》杂志上的一篇研究论文作为关于如何使用AI来预测蛋白质折叠的论文，立即成为新闻。 VentureBeat提到了难以实现的艰巨挑战。
该文章是“利用深度学习的潜力改进了蛋白质结构的预测”，该文章于12月15日在线发表在《自然》杂志上。
DeepMind系统称为AlphaFold。雷诺兹对AlphaFold和数据集有一个有趣的注解：“蛋白质折叠领域也为训练人工智能制剂提供了很好的条件。它具有一个庞大的数据集-蛋白质数据库，该蛋白质库是3-D结构和150,000种蛋白质被用于训练DeepMind的蛋白质结构预测系统AlphaFold。”
本文探讨了DeepMind迄今为止在使用AI预测蛋白质折叠方面的成就。正如Vox的Kelsey Piper所说，关于蛋白质折叠的重大问题是，这是“开发新药的关键问题”。
DeepMind团队的三个人，即Andrew Andrew，John Jumper和Demis Hassabis，在1月15日发布了一篇博客文章，解释了蛋白质结构，蛋白质折叠挑战以及他们想要实现的目标。
“正如列文萨尔的悖论所证明的那样，在达到真正的3D结构之前，随机枚举典型蛋白质的所有可能构型将花费比已知宇宙更长的时间-然而，蛋白质本身在数毫秒内自然自折叠。预测这些链如何会折叠成蛋白质的复杂3D结构的现象称为“蛋白质折叠问题”，这是科学家数十年来一直在努力的挑战。”
研究小组表明，他们可以训练神经网络对“成对的残基之间的距离做出准确的预测，这比接触预测传达了更多的结构信息”。
他们谈到了通过“一种简单的梯度下降算法来生成结构而无需复杂的采样程序”的优化。
派珀说，关于蛋白质粗化的最大问题是，这是“开发新药的关键问题”。为何如此?而且，为什么“形状”如此重要? Piper说：“蛋白质的形状可以预测它们将与哪些其他物质相互作用，因此了解蛋白质折叠对于药物发现至关重要，甚至可以用于开发新的生产工艺。”

 
DeepMind博客说：“人们认为蛋白质的形式决定了它的功能。一旦了解了蛋白质的形状，就可以猜测其在细胞中的作用，科学家们可以开发出与蛋白质独特形状有关的药物。”
AlphaFold可以帮助研究人员更好地掌握蛋白质的功能和故障。
UCL生物信息学小组负责人David Jones在VentureBeat中引述了一个值得注意的话，他为DeepMind团队提供了部分项目建议：
“确定蛋白质结构的实验技术既费时又昂贵，因此迫切需要更好的计算机算法来直接从编码蛋白质的基因序列中计算蛋白质的结构，而DeepMind致力于将AI应用到这个长期存在的问题上在分子生物学领域无疑是一个进步。”
哪些实验技术既费时又昂贵?该博客提到了冷冻电子显微镜，核磁共振和X射线晶体学，每一个都取决于试验和错误，“这可能需要花费多年的时间，并且每个蛋白质结构要花费数万或数十万美元。”
VentureBeat中的Kyle Wiggers：“借助AlphaFold，DeepMind的研究团队专注于从头开始对目标形状进行建模而无需将已解决的蛋白质作为模板进行建模的问题。”
Nature如何定义蛋白质折叠：“蛋白质折叠是蛋白质达到其成熟的功能性(天然)三级结构的过程，并且通常通过共翻译开始。蛋白质折叠需要伴侣蛋白，并且通常涉及逐步建立规则的二级和超二级结构，即α -螺旋和β-折叠迅速折叠，并通过氢键和二硫键稳定，然后形成三级结构。”
早在7月，在DeepMind论文发表之前，自然界就已经注意到，“由于新的发现，破解生物学最严峻挑战之一的竞赛-从蛋白质的氨基酸序列预测蛋白质的3-D结构-的竞争正在加剧。人工智慧(AI)方法。”
DeepMind博客文章称，他们使代码可用(GitHub)，并提供了链接，供任何想了解更多信息或复制其结果的人使用。
他们在博客文章中指出了其系统为何重要的原因：“我们的系统AlphaFold …建立在数十年的先前研究基础上，使用大型基因组数据集预测蛋白质结构。AlphaFold生成的蛋白质3-D模型比任何其他模型都更为精确。那已经来过了。”
向前发展，该博客指出，像AlphaFold这样的工具可能会帮助罕见病研究人员快速，经济地预测目标蛋白质的形状，并最终帮助他们为有效的药物发现做出贡献，同时降低与实验相关的成本。
罕见病研究并不是唯一可以从他们的成就中受益的领域。该博客谈到了塑料和石油等污染物;通过蛋白质设计实现的可生物降解酶的进步可以帮助减少废物，使之对环境更加友好。
博客说：“实际上，研究人员已经开始对细菌进行工程改造，以分泌蛋白质，使废物可以生物降解，并且更易于处理。”