三代网红的爆款法则

狂欢之余，一名“合格”的旁观者应该发出这样一个疑问：AlphaFold 会不会是下一个 AlphaGo，仅仅是一个“暴力计算”下的产物？

　　AlphaFold 动了真格？

　　先说结论：AlphaFold 是动了真格。

　　与 AlphaGo 在围棋界纵横驰骋不同的是，AlphaFold 是真的有望在一个人类学科中、人类对生命演进的研究中产生颠覆性的影响。

　　许东教授向雷锋网表示，蛋白结构预测这一重大科学问题，在三十多年前就有多人宣布已经解决，但极其不靠谱，后来才有两年一次的双盲预测大赛 CASP，用事实说话。

　　许东是美国密苏里大学哥伦比亚分校 Shumaker 讲座教授，AAAS 和 AIMBE 会士，曾因为蛋白结构预测的工作获得 2001 年美国“最杰出研究与开发 100 人奖励（国际 2001R&D 100 Award）”。

　　从 1997 年开始，许东教授就开始了蛋白质结构预测这方面的研究。他表示，从防病、治病的角度来看，蛋白质结构变化预测，绝对是非常重要。

　　“很多疾病都是在蛋白层面出现了问题，例如基因突变造成氨基酸的突变，使得蛋白结构发生变化，不能行使功能。”

　　现在，许东教授团队现在和范德堡大学 Jing-Qiong Kang 教授的合作，就在用结构预测来研究癫痫，特别是为什么一些基因突变可以使得几个重要的蛋白结构造成变化，造成其部分功能丧失，致使癫痫发作。Jing-Qiong Kang 教授把预测的结果与实验进行对比，进而理解疾病。

　　从制药层面来看，更是如此。

　　现代药物大多的靶点是蛋白，药物的设计几乎都是基于蛋白的结构来进行合理的设计。现在，机器学习能够取得非常好的预测结果，是否会取代实验的蛋白结构发现方法？

　　许东教授表示，“会取代很大一部分”，尤其是在低分辨率下，特别是用冷冻电子显微镜进行的结构发现可能不如机器学习做的准确。

　　AI 药物研发公司晶泰科技 CEO 马健博士也向雷锋网表示，结构决定性质。在 AlphaFold 准确的预测的蛋白结构之上，我们可以更准确地预测药物分子和蛋白的相互作用，从源头上提高计算辅助药物发现与设计的准确度。

　　同时，现在能解出的蛋白质很少，很多关键的蛋白质十几、二十年都难以用实验解析出结构。有了这项技术，研究人员就可以用这些传统上难解出结构的蛋白作为药物靶点、设计新药。

　　AlphaFold 是否被过誉了？

　　1994 年，马里兰大学公园分校的计算生物学家约翰·莫尔特（John Moult）与其它人共同创立了 CASP。

　　AlphaFold 在 CASP14 中的表现，被誉为是结构生物学领域的地震，让无数该行业的学者为止兴奋。

　　然而，也有网友提出了一些不同的声音：利用计算机预测蛋白质结构很早就在做，只不过准确度一直是一个问题。目前，计算机辅助药物设计，在有蛋白真实单晶体机构的基础上尚且不能做到准确预测，更何况是“接近于实验取得机构。”

　　从这个观点出发，DeepMind 的这一成果是否被媒体过誉了？

　　晶泰科技 CEO 马健博士表示，现在 AlphaFold 的结果已经非常领先。更让人感到振奋的是这背后 AI 演化发展的速度——从 16 年的 AlphaGo, 17 年的 AlphaZero, 18 年的 AlphaFold, 到如今的 AlphaFold2, 这样的发展和迭代速度让我们看到，人工智能的时代正在加速到来。

　　同时，马健认为，AlphaFold 在解决蛋白质折叠预测问题过程中所积累的经验和 Know-how，会产生技术溢出的效果，其中先进的思想和理念将进一步在 AI 药物发现的其他环节和领域带来启发和促进作用。

　　严谨一点看，任何一项科学成果，都有进一步提升的空间，AlphaFold 也不例外。

　　马健表示，下一步，在蛋白-蛋白相互作用结构、C端N端结构等领域，AlphaFold 需要算得更准。

　　另外，目前 AlphaFold 预测的是最接近实验的静态结构，未来在药物研发的应用中，如果能将蛋白和药物结合位置预测的更准，需要把蛋白结构的动态变化考虑进来。

　　许东教授认为，这件事情需要从两方面来看：

　　一方面，这确实是非常大的成就。不光是蛋白结构或者生物信息学的重大突破，也是科学史上的重大突破。五十年来，蛋白质折叠一直是生物学的巨大挑战。

　　另外一方面，总归会有一些“泡沫”，存在一定的局限性。AlphaFold 不是把所有问题全部解决。不是光有结构，就能够设计药物。

　　许东教授介绍到，AlphaFold 可以满足 95% 以上的理解功能、实验设计等需求，达到了应用的标准。

　　然而，它并不能总是达到一定的标准。现在，人、植物的蛋白被研究得非常广谱，但是在微生物、病毒的蛋白里还有很多新的 fold。

　　和已知序列和结构相差非常大的情况下，AlphaFold 做的不是特别好。

　　“最新的 AlphaFold 系统在所有目标中总体得分中位数为 92.4 GDT，强调的是中位数，甚至都不是平均数。这就表明，有些蛋白的预测还是做的不太好。”

　　当然，他也补充到，这些预测不好的情况属于个例，大多数情况基本上是够用的。

　　传统实验方法是否会被取代？

　　目前，冷冻电子显微镜（CryoEM）、核磁共振或X射线晶体学等实验技术，是蛋白质 3D 结构发现的常规武器。

　　现在，AI 机器滚滚向前，传统的实验室方法是否已经难以与之抗衡？

　　这个问题的答案也很明确：不会。这点，正如放射科医生不会被阅片 AI 所取代一样。

　　传统方法的弊端在哪里？

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!