AlphaGo和AlphaZero又有新兄弟，這次輪到科學家驚呆了。

DeepMind近日宣布，過去兩年一直在研發(fā)AlphaFold：一個用人工智能加速科學發(fā)現(xiàn)的系統(tǒng)。

它僅僅基于蛋白質(zhì)的基因序列，就能預測蛋白質(zhì)的3D結構，而且結果比以前的任何模型都要精確。

在“蛋白質(zhì)結構預測奧運會”CASP比賽中，力壓其他97個參賽者。《衛(wèi)報》報道稱，AlphaFold預測出了43種蛋白質(zhì)中25種蛋白質(zhì)的最精確結構。在同一類別中排名第二的隊伍，只預測出了3種。

△競賽結果，谷歌為G043

相關的研究者紛紛表示，DeepMind厲害！很想知道他們方法的細節(jié)。

對于這項研究，DeepMind稱其為“DeepMind在科學發(fā)現(xiàn)領域的第一個重要里程碑”，在生物學的核心挑戰(zhàn)之一上取得了重大進展。

《衛(wèi)報》評論稱，這將“開啟醫(yī)學進步的新時代”。

到底是個多大的進展？

任何給定的蛋白質(zhì)能做什么，取決于它獨特的3D結構。 所以，能精確預測蛋白質(zhì)的3D結構意義非凡。

首先，它能夠幫助科學家更好地理解蛋白質(zhì)在人體內(nèi)的作用。對于診斷和治療由蛋白質(zhì)錯誤折疊引起的疾病，比如阿爾茨海默氏癥、帕金森氏癥、亨廷頓氏癥等，至關重要。

其次，它會提高我們對身體及其工作原理的認識，使科學家能夠更有效地設計新的、有效的疾病治療方法。

隨著我們通過模擬和模型獲得更多關于蛋白質(zhì)形狀和它們?nèi)绾芜\作的知識，會使藥物開發(fā)方面更容易，同時也會降低相關的實驗成本。

第三，它也有助于更好地設計蛋白質(zhì)，一個例子是，可以推動可生物降解酶的進步，幫助我們控制像塑料和石油這樣的污染物。

事實上，研究人員已經(jīng)開始對細菌進行工程改造，使其分泌蛋白質(zhì)，讓廢物可生物降解，進而變得更容易處理。

不過，僅僅根據(jù)基因序列來確定蛋白質(zhì)的3D形狀是一項復雜的任務。

挑戰(zhàn)在于，基因序列中只包含蛋白質(zhì)組成部分氨基酸殘基的序列信息，這些氨基酸殘基會形成長鏈。 預測這些長鏈如何折疊成復雜的3D結構，被稱為“蛋白質(zhì)折疊問題”（protein folding problem）。

蛋白質(zhì)越大，氨基酸之間的相互作用越多，建模也就更復雜，困難度也會成倍上升。正如利文索爾佯謬（Levinthal’s paradox）中指出的那樣，在找到一個蛋白質(zhì)正確的3D結構之前，要列舉一個典型的蛋白質(zhì)所有可能的構型，需要的時間比宇宙存在的時間還要長。

那么，DeepMind解決這個問題的思路是怎樣的呢？

DeepMind方案：基于深度神經(jīng)網(wǎng)絡

DeepMind表示，他們專注于從零開始模擬目標形狀，而不是使用以前解決的蛋白質(zhì)作為模板。

因此，在預測蛋白質(zhì)結構的物理性質(zhì)方面，DeepMind達到了非常高的準確性，然后使用兩種不同的方法，來構建完整的蛋白質(zhì)結構預測。

這兩種方法都依賴深度神經(jīng)網(wǎng)絡，需要訓練深度神經(jīng)網(wǎng)絡從基因序列中預測蛋白質(zhì)的兩種特性：

1) 成對的氨基酸之間的距離；

2) 連接這些氨基酸的化學鍵之間的角度。

具體的操作步驟為：

訓練一個神經(jīng)網(wǎng)絡來預測蛋白質(zhì)中每對殘基之間的距離分布。然后，將這些概率組合成一個分數(shù)，用來估計一個蛋白質(zhì)結構的準確度。

此外，DeepMind還訓練了一個單獨的神經(jīng)網(wǎng)絡，基于所有距離的總和來評估初步給出的蛋白質(zhì)結構與正確答案的接近程度。

然后，基于這些評分函數(shù)，去找到符合預測的結構。

DeepMind使用的第一種方法，基于結構生物學中常用的技術，用新的蛋白質(zhì)片段反復替換蛋白質(zhì)結構的片段，他們訓練了一個生成神經(jīng)網(wǎng)絡來發(fā)明新的片段，用來不斷提高蛋白質(zhì)結構的評分。

第二種方法是通過梯度下降法優(yōu)化得分，這是機器學習中常用的一種數(shù)學技術，可以進行小的、增量的改進，從而得到高精度的結構。

他們將這項技術應用于整個蛋白質(zhì)鏈，而不是那些在組裝前必須單獨折疊的片段，從而減少了預測過程的復雜性。

還有“一噸”多的想法

DeepMind的目標，是將AlphaFold打造成基礎科學領域的AlphaGo和AlphaZero。他們表示，

我們首次涉足蛋白質(zhì)折疊領域的成功表明，機器學習系統(tǒng)可以整合各種信息來源，幫助科學家快速找到復雜問題的創(chuàng)造性解決方案。

正如我們已經(jīng)看到人工智能如何通過AlphaGo和AlphaZero等系統(tǒng)幫助人們掌握復雜的游戲一樣，我們同樣希望有一天，人工智能的突破也將幫助我們掌握基礎的科學問題。

DeepMind的首席執(zhí)行官Demis Hassabis對此信心滿滿。

“我們還沒有完全解決蛋白質(zhì)折疊問題，這只是第一步，”他說。“這是一個極具挑戰(zhàn)性的問題，但是我們有一個良好的體系，我們還有’一噸’多的想法還沒有實施。”