DeepMind在博客中写道：AlphaFold解决了困扰生物界50年的问题——蛋白质是如何折叠的，这是一个巨大的科技突破。

一、预测纳米级蛋白质结构，AlphaFold比药物模拟更强

对于生命来说，蛋白质必不可少：它们运输物质、作为酶进行化学反应，作为抗体抵御病毒……所有这些功能都是通过结构决定的。如果我们想要设计出有特定功能的蛋白质，我们必须了解不同的结构都具备怎样的功能。

一般来说，药理学家会通过大量的观察和统计，得到粗略的经验：怎样的蛋白质结构大致具备怎样的功能，但由于蛋白质是纳米量级上的3D结构，通过这样不断枚举的“笨”办法设计药物是非常棘手的。

所以目前，很多公司和高校都在研究，如何通过计算机程序检测组成蛋白质的各类氨基酸，再基于氨基酸反推蛋白质结构，DeepMind的AlphaFold就是其中之一，也是目前的第一。

创立于1994年的CASP，致力于促进蛋白质预测领域的研究，关注该领域的进展，以及建立最新的技术标准。

每两年，CASP都会以实验室最新研究出的蛋白质结构为目标，开展一次蛋白质结构预测比赛。各参赛团队在不知道该目标蛋白质的情况下，以功能需求为导向，设计该蛋白质结构，CASP会将各团队的预测结果与目标蛋白质的真实实验数据相比对，进行评分。

▲GDT评分

在本周一，第14次的CASP评估中，AlphaFold在所有类别比赛上，GDT总体平均得分达到92.4，比药物模拟实验的得分（GDT90）还高，在最具挑战性的自由建模类中，中位数得分也达到了87.0。

GDT是Global Diatance Test的简称，也就是全局距离测试，代表两个蛋白质结构之间的相似度，分数从0到100，得分越高，预测模型与目标结构相似度越高。

▲左为药物实验室结果，右为AlphaFold结果

诺贝尔化学奖得主、英国结构生物学家Venki Ramakrishan说：“DeepMind的这项工作代表了蛋白质结构预测领域的惊人进展，这是一个生物学上的重大突破，将从根本上改变生物学研究方式。”

二、神经网络端对端训练，绘一张完整的“蛋白图”

在2018年，初代AlphaFold就参与了CASP测试，尽管GDT得分不足60，但排名仍位居第一，在随后的两年内，AlphaFold团队引入深度学习框架，基于初代模型不断改进创新。

▲CASP历年自由建模类别，最佳模型GDT得分

折叠的蛋白质结构可以被简单视为“空间图”，已知的信息和结构是基点，所有的研究预测工作都是为了将这些基点连接起来，组成一张立体的空间图。

▲AlphaFold神经网络模型架构

如果想要实现上述这一过程，模型必须要“理解”图中蛋白质内的相互作用和影响。

因此，AlphaFold研究团队创建了一个基于注意力的神经网络系统，通过端到端训练解释该图结构，同时对所隐含的信息进行推理预测，此外，AlphaFold还使用相关的蛋白质进化序列、多序列比对（MSA）以及氨基酸残基对表示法作为补充。

通过重复此过程，AlphaFold能够在几天内实现蛋白质高精度结构的预测，且基于内部置信度量度判断每个预测是否可靠。

AlphaFold使用了公开数据集进行了模型训练，包括来自蛋白质数据库的约170000种蛋白质结构以及其他未知结构的蛋白质序列数据集。AlphaFold基于约16个TPUv3（相当于128个TPUv3内核或大约相当于100到200个GPU）训练了几周时间，相对于大多数最新机器学习模型，计算量并不大。

AlphaFold研究团队表示正在准备相关论文，以将研究成果向同行分享。

三、要打击新冠，还要探测未知蛋白

在官网博客上，AlphaFold研究团队表示，AlphaFold未来会在新冠肺炎危机中大有可为。

在今年早些时候，研究团队通过AlphaFold预测了SARS-CoV-2病毒的几种蛋白质结构，包括从前结构未知的ORF3a以及另一种冠状病毒蛋白ORF8。

尽管这两种蛋白质的相关研究较少，但通过与实验室数据相比对，AlphaFold所预测的蛋白质结构准确性仍非常高。

除了加深对已知疾病的了解之外，AlphaFold团队也希望拓展更广阔的生物学领域，为有可能出现的疾病做好准备。

DNA指定了蛋白质的氨基酸序列，而根据基因组学，世界上应该存在1.8亿个蛋白质序列，但受限于测序工作的庞大工作量或其他原因，目前蛋白质数据库中只涵盖约170000种蛋白质结构。

在这些还未被“开采”的蛋白质中，或许有一些具有意想不到的新奇效，AlphaFold就像哈勃望远镜探索宇宙一样，帮助人类找到它们。

结语：与传统研发互补，AlphaFold探索更多未知领域

AlphaFold研究团队表示：“现在，预测单一蛋白质结构已基本实现，预测蛋白质复合物结构将会是下一步。但在这个巨大工程中，AlphaFold不可能“单打独斗”。”

尽管AlphaFold预测的结果几乎与传统药物研发效果相同，但它不会完全取代实验室实验，因为药物开发依旧是个复杂的过程，目前AlphaFold并不能理解蛋白质分子之间或蛋白质分子与如DNA或RNA等其他分子的相互作用。

AlphaFold研究团队在博客中写道：“ AlphaFold是迄今为止我们最重要的成果之一，但是，与所有其他研究一样，仍有许多问题急需解答。我们与其他团队合作，学习如何在新药开发中最好地利用这些工具。”

                                      本内容属于网络转载，文中涉及图片等内容如有侵权，请联系编辑删除