谷歌的 DeepMind AI 预测了科学界几乎所有已知蛋白质的 3D 结构

直到 1957 年，科学家们才获得了对分子三维的特殊访问权。

经过 22 年的艰苦实验，剑桥大学的约翰·肯德鲁终于揭开了一种蛋白质的 3D 结构。 这是肌红蛋白的扭曲蓝图，154 种氨基酸的细链有助于为我们的肌肉注入氧气。 尽管这一发现具有革命性，但肯德鲁并没有完全打开蛋白质结构的闸门。 在接下来的十年中，将确定不到十几个。

快进到今天，距离诺贝尔奖获得突破已有 65 年了。

周四，谷歌的姊妹公司 DeepMind 宣布已成功使用人工智能来预测科学界已知的几乎所有已编目蛋白质的 3D 结构。 这是在植物、细菌、动物、人类中发现的超过 2 亿种蛋白质——几乎是你能想象到的任何东西。

“基本上，你可以认为它涵盖了整个蛋白质世界，”DeepMind 的创始人兼首席执行官 Demis Hassabis 告诉记者这个 week.

这要归功于 AlphaFold，DeepMind 的开创性 AI 系统，它有一个开源数据库，因此全世界的科学家可以随意将其纳入他们的研究中，而且是免费的。 自去年 7 月 AlphaFold 正式推出以来——当时它只确定了大约 350,000 种 3D 蛋白质——该计划已经在研究领域产生了明显的影响。

“超过 500,000 名研究人员和生物学家使用该数据库查看了超过 200 万个结构，”哈萨比斯说。 “这些预测结构帮助科学家们取得了辉煌的新发现。”

例如，耶鲁大学的科学家在 4 月呼吁 AlphaFold 的数据库来帮助他们实现开发新型高效疟疾疫苗的目标。 去年 7 月，朴茨茅斯大学的科学家使用该系统设计了能够对抗一次性塑料污染的酶。

“这让我们提前一年，如果不是两年的话，”朴茨茅斯酶创新中心主任、后一项研究背后的研究员约翰麦吉汉告诉纽约时报。

这些努力只是一小部分样本 AlphaFold 的最终影响力。

“仅在过去的一年里，就有超过一千篇关于使用 AlphaFold 结构的广泛研究主题的科学文章；我从未见过这样的东西，”DeepMind 合作者兼团队负责人 Sameer Velankar 欧洲分子生物学实验室的蛋白质数据库在新闻稿中说。

据 Hassabis 称，使用该数据库的其他人包括那些试图提高我们对帕金森病的了解的人，希望保护蜜蜂健康的人，甚至一些希望获得对人类进化的宝贵见解的人。

“AlphaFold 已经在改变 我们思考化石记录中分子生存的方式，我可以看到它很快就会成为研究人员的基本工具，不仅在进化生物学，而且在考古学和其他古科学领域，”Beatrice Demarchi，副教授 最近在一项关于古代鸡蛋争议的研究中使用该系统的都灵大学在新闻稿中说。

在未来几年，DeepMind 还打算与被忽视疾病药物倡议的团队合作 和世界卫生组织，其目标是寻找治疗研究很少但普遍存在的热带疾病，如恰加斯病和利什曼病。

，DeepMind 的合作者兼 EMBL 的副主任告诉记者。 “想想他们研究的生物体和系统中发生了什么。”

那么，为什么这么多科学进步都依赖于这个 3D 蛋白质建模宝库呢？ 让我们解释一下。

假设您正在尝试制作一把完全适合锁的钥匙。 但是您无法查看该锁的结构。 你所知道的是这个锁的存在，一些关于它的材料的数据，也许还有关于每个山脊有多大以及这些山脊应该在哪里的数字信息。

开发这把钥匙也许不是不可能的，但它会相当困难。 键必须精确，否则它们不起作用。 因此，在开始之前，您可能会尽力使用您所拥有的任何信息来模拟一些不同的模拟锁，以便您制作钥匙。

在这个类比中，锁是一种蛋白质，而钥匙是与这种蛋白质结合的小分子。

对于科学家来说，无论他们是试图制作新药的医生，还是解剖植物解剖结构以制造肥料的植物学家，某些分子和蛋白质之间的相互作用至关重要。

以药物为例，药物分子与蛋白质结合的具体方式可能是其是否有效的关键。 这种相互作用变得复杂，因为即使蛋白质只是一串氨基酸，它们也不是直的或扁平的。 它们不可避免地会折叠、弯曲，有时还会缠在一起，就像你口袋里的耳机线一样。

事实上，蛋白质独特的折叠决定了它的功能——即使是人体中最轻微的折叠错误也可能导致疾病。

但是回到小分子药物，有时折叠的蛋白质片段会被阻止与药物结合。 例如，它们可能碰巧以一种奇怪的方式折叠起来，使它们无法接近。 对于试图让他们的药物分子粘附的科学家来说，这样的事情是非常重要的信息。 EMBL 的研究科学家珍妮特桑顿在会议上说：“我认为过去几年上市的几乎所有药物都在一定程度上是通过对蛋白质结构的了解而设计的，这是真的。”

这就是为什么研究人员通常会花费大量时间和精力来解码他们正在研究的蛋白质的折叠 3D 结构，就像您通过拼合锁的模具开始您的钥匙制作之旅一样。 如果您知道确切的结构，就可以更容易地判断一个分子在哪里以及如何附着到给定的蛋白质上，以及这种附着如何影响蛋白质的折叠响应。

但这项工作并不简单。 或者便宜。

“解决一个新的、独特的结构的成本约为 100,000 美元，”来自威斯康星大学的结构和计算生物学家、生物信息学公司 DNAStar 的研究员史蒂夫达内尔在一份声明中说。

这是因为 解决方案通常来自超级复杂的实验室实验。 例如，

Kendrew 在当时就利用了一种称为 X 射线晶体学的技术。 基本上，这种方法需要你取出你感兴趣的蛋白质的固体晶体，将它们放在 X 射线束中，然后观察光束形成的图案。 这种模式几乎是晶体内 数千个原子 的位置。 只有这样，您才能使用该模式来揭示蛋白质的结构。

还有一种更新的技术，称为低温电子显微镜。 这类似于 X 射线晶体学，除了蛋白质样品直接用电子而不是 X 射线束爆炸。 即使它的分辨率被认为比其他技术高得多，它也不能完全穿透所有东西。 此外，在技术领域，一些人试图以数字方式创建蛋白质折叠结构。 但是早期的尝试，比如 80 年代和 90 年代的几次尝试都不是很好。 正如你可以想象的那样，实验室方法也很乏味——而且很困难。

多年来，这些障碍导致了所谓的“蛋白质折叠问题”。 简而言之，科学家们不知道蛋白质是如何折叠的，并且面临着克服这个问题的重大障碍。

AlphaFold 的人工智能可能会改变游戏规则。

简而言之，AlphaFold 接受了 DeepMind 工程师的培训，可以在不需要实验室存在的情况下预测蛋白质结构。 没有晶体，没有电子发射，没有 100,000 美元的实验。

要使 AlphaFold 达到今天的水平，首先，根据该公司的网站，该系统暴露于 100,000 个已知的蛋白质折叠结构。 然后，随着时间的流逝，它开始学习如何解码其余部分。

真的就这么简单。 （嗯，除了编写 AI 的人才。）

“我不知道，至少需要 20,000 美元和大量时间来结晶蛋白质，”Birney 说。 “这意味着实验者必须对他们所做的事情做出选择——AlphaFold 还没有做出选择。” AlphaFold 的彻底性这一特点相当令人着迷。 这意味着科学家有更多的自由去猜测和检查，在涉及到蛋白质结构时，可以根据直觉或直觉并在他们的研究中撒下一张大网。 他们不需要担心成本或时间表。

“这些模型也带有预测错误，”德国汉堡 EMBL 的 DeepMind 合作者和结构建模师 Jan Kosinski 说。 “而且通常——实际上在很多情况下——误差非常小。所以我们称之为近原子精度。”

此外，DeepMind 团队还表示，他们进行了广泛的风险评估，以确保使用 AlphaFold 是安全且合乎道德的。 DeepMind 团队成员还表示，总的来说，人工智能可能会带来我们以前没有考虑过评估的生物安全风险——尤其是在这种技术继续渗透到医疗领域的情况下。

但随着未来的展开，DeepMind 团队表示，AlphaFold 将根据具体情况灵活地适应和解决此类担忧。 就目前而言，它似乎正在发挥作用——大量的蛋白质模型可以追溯到肌红蛋白的适度肖像。

“仅仅两年前，”伯尼说，“我们只是没有意识到这是可行的。”

太平洋时间上午 6:45：珍妮特·桑顿的姓氏和头衔已确定。