DeepMind 自由建模类别中蛋白质目标的两个例子
阿尔法折叠预测高度准确的结构测量实验结果
信用:深度思维 根据一项严格的独立评估，在一项重大的科学进步中，DeepMind的人工智能系统AlphaFold的最新版本被认为是解决50年来蛋白质结构预测离子这一重大挑战的方法，这一挑战通常被称为“蛋白质折叠问题”
从长远来看，这一突破将大大加速生物学研究，在疾病理解和药物发现等领域开启新的可能性
CASP14的结果表明，DeepMind最新的AlphaFold系统在结构预测方面达到了无与伦比的精确度
该系统能够在几天内确定高度精确的结构
蛋白质结构预测的关键评估是始于1994年的两年一次的社区评估，是评估预测技术的金标准
参与者必须盲目地预测那些最近——或者在某些情况下还没有——通过实验确定的蛋白质结构，并等待他们的预测与实验数据进行比较
CASP使用“全球距离测试(GDT)”度量来评估精确度，范围从0到100
新的阿尔法折叠系统达到了92分的中值
4 GDT所有目标的总体情况
系统的平均误差约为1
6埃——大约一个原子的宽度
根据计算机科学与工程协会的联合创始人和主席约翰·穆特教授的说法，大约90分的GDT被非正式地认为是与从实验方法中获得的结果相竞争的
马里兰大学计算机辅助蛋白质组学的联合创始人和主席约翰·穆特教授说:“近50年来，我们一直被困在一个问题上——蛋白质是如何折叠的
看到DeepMind为这个问题提出解决方案，在这个问题上亲自工作了这么长时间，经历了这么多的停留，开始思考我们是否能到达那里，是一个非常特殊的时刻
" 为什么蛋白质结构预测很重要 蛋白质对生命至关重要，它们的形状与其功能密切相关
准确预测蛋白质结构的能力使人们能够更好地理解它们的功能和工作原理
目前在主数据库中有超过2亿个蛋白质，只有一小部分的三维结构被绘制出来
一个主要的挑战是一种蛋白质在最终形成三维结构之前，理论上可以折叠成天文数字的方式
社会面临的许多最大挑战，如开发疾病治疗方法或寻找分解工业废物的酶，从根本上来说与蛋白质及其作用有关
确定蛋白质的形状和功能是科学研究的一个主要领域，主要使用实验技术，每个结构可能需要多年艰苦的工作，并且需要使用数百万美元的专用设备
DeepMind解决蛋白质折叠问题的方法 这一突破建立在DeepMind 2018年在CASP13上的第一个条目的基础上，在该条目中，AlphaFold的初始版本在所有参与者中达到了最高的准确性水平
现在，DeepMind从生物学、物理学和机器学习领域以及过去半个世纪蛋白质折叠领域许多科学家的工作中获得灵感，为CASP14开发了新的深度学习架构
一个折叠的蛋白质可以被认为是一个“空间图”，其中残基是节点，而边连接着非常接近的残基
这张图对于理解蛋白质内部的物理相互作用以及它们的进化史很重要
对于在CASP14使用的最新版本的AlphaFold，DeepMind创建了一个基于注意力的神经网络系统，进行端到端的训练，试图解释这个图的结构，同时推理它正在构建的隐式图
它使用进化相关序列、多序列比对(MSA)和氨基酸残基对的表示来改进该图
通过重复这一过程，系统对蛋白质的潜在物理结构做出了强有力的预测
此外，阿尔法折叠可以使用内部置信度度量来预测每个预测的蛋白质结构的哪些部分是可靠的
该系统是在由蛋白质数据库中约170，000个蛋白质结构组成的公开数据上进行训练的，使用了现代机器学习标准的相对适中的计算量——大约128个TPUv3内核(大致相当于约100-200个图形处理器)运行了几周
现实世界的潜在影响 DeepMind很高兴与其他人合作，了解更多关于阿尔法折叠的潜力，阿尔法折叠团队正在研究蛋白质结构预测如何有助于一些专家小组对某些疾病的理解。
也有迹象表明，蛋白质结构预测作为科学界开发的许多工具之一，在未来的大流行应对工作中可能是有用的
今年早些时候，DeepMind预测了SARS-CoV-2病毒的几种蛋白质结构，实验学家令人印象深刻的快速工作现在证实了AlphaFold的预测达到了高度的准确性。
阿尔法折叠是DeepMind迄今为止最重要的进步之一
但是和所有的科学研究一样，还有很多工作要做，包括弄清楚多种蛋白质是如何形成复合物的，它们是如何与DNA、RNA或小分子相互作用的，以及如何确定所有氨基酸侧链的精确位置
与早期的CASP13 AlphaFold系统一样，DeepMind计划在适当的时候向同行评议的期刊提交一份详细说明该系统工作原理的论文，同时探索如何以可扩展的方式提供更广泛的系统访问
AlphaFold在展示人工智能作为辅助基础科学发现的工具的惊人潜力方面开辟了新天地
DeepMind期待与他人合作，释放这一潜力
诺贝尔奖获得者、皇家学会主席文基·拉马克希南教授说:“这项计算工作代表了蛋白质折叠问题的惊人进步，这是生物学中一个50年来的重大挑战
几十年后，该领域的许多人才会预测到这一点
看到它将从根本上改变生物研究的许多方式将是令人兴奋的
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
