生物史最全“证件照”：DeepMind开放35万种蛋白质结构，超人类知识2倍

智东西

编译 | 韦世玮 徐珊

编辑 | 漠影

除了人类蛋白质组（人类基因组表达的所有蛋白质约2万种）之外，他们还将提供其他20种具有生物学意义的生物蛋白质组的开放访问，总计超过35万种蛋白质结构，包括从果蝇到小鼠等动物，以及从大肠杆菌到酵母等细菌。

发布第一批数据后，DeepMind计划继续增加蛋白质库，几乎覆盖所有科学已知的已测序蛋白质，共超过1亿种结构，该库将由EMBL维护。在EMBL总干事Edith Heard看来：“这些数据集将改变我们对生命运作方式的理解。”

“我认为这是DeepMind整个10年多生命周期的顶峰。”DeepMind联合创始人兼CEO Demis Hassabis谈道，从成立之初，DeepMind就打算将AI方面取得的突破在围棋、雅达利等游戏上进行测试，并将其应用于现实世界的问题，以加速科学突破并造福人类。

Demis Hassabis称，这些数据对科学和商业研究人员来说都将永久免费开放。“任何人都可以将它用于任何事情，他们只需要归功于参与引用的人。”他说。

▲长期以来，人源中介体复合物（Mediator Complex）一直是结构生物学家最具挑战性的多蛋白系统之一。（图源：Nature）

一、AlphaFold预测蛋白质结构，缓解多领域生物研究瓶颈

21世纪是生物的世纪，更是计算机的世纪。

早在去年12月，DeepMind就推出了AlphaFold 2系统，可通过AI软件对蛋白质结构进行准确预测，该解决方案被认为能解决困扰科学家们50年的蛋白质折叠（protein folding）问题。

直到上周，DeepMind还发表了相关科学论文和源代码，以解释如何创建这个高度创新的系统，允许其他人通过AlphaFold来完成相关研究工作。

AlphaFold系统的诞生，证明了AI可以在几分钟内准确预测蛋白质的3D结构，精确到原子精度。而AlphaFold蛋白质结构数据库的开放，也将促进世界各地的科学家们加速对人类蛋白质的研究。

那么，何为蛋白质折叠问题？

简单来说，许多生物过程都是围绕蛋白质来进行的，而蛋白质是由氨基酸序列组成的大型复杂分子，其真正的作用取决于自身独特的3D结构，也就是蛋白质中氨基酸序列的折叠方式。

了解蛋白质结构能增进人类对生命组成部分的理解，从而推动科学家们在各个领域的研究。

例如，英国朴茨茅斯大学（CEI）正在利用AlphaFold来设计一种新型酶，以快速分解污染严重的一次性塑料等废物；美国科罗拉多大学博尔德分校通过AlphaFold预测，来研究抗生素耐药性的前景；美国加利福尼亚大学旧金山分校则使用AlphaFold来研究新型冠状病毒的工作原理……

▲AlphaFold预测的蛋白质结构的两个例子（蓝色）与实验结果（绿色）的比较（图源：DeepMind）

这些都是科学家们利用科技带来的大量生物数据信息，一步步转换为未来人类的进步。

但科学家们指出，这些信息转换到现实世界并产生结果的过程，仍需要大量时间。“我认为这不会在一年内改变患者的治疗方式，但它肯定会对科学界产生巨大影响。”科罗拉多大学生物化学系教授Marcelo C. Sousa说。

需要注意的是，AlphaFold软件生成的是蛋白质结构的预测，而不是实验确定的模型，这意味着在某些情况下，科学家还需要进一步的工作来验证结构。

DeepMind对此表示，他们花了许多时间在AlphaFold软件中构建准确度指标，让它能对每个预测的可信度进行排名。

不过，蛋白质结构的预测仍对科学研究带来了巨大帮助。以往科学家们确定蛋白质结构的实验过程既耗时又昂贵，还要依赖大量反复试验，而蛋白质结构预测即便置信度低，也可以为科学家指明正确的研究方向，为他们节省多年的工作。

英国格拉斯哥大学（University of Glasgow）结构生物学教授Helen Walden认为，DeepMind的数据将“显著缓解研究瓶颈”，但“进行生物化学和生物学评估的费力、耗费资源的工作”将继续存在，例如药物功能研究。

Sousa也提到，他曾在工作中使用过AlphaFold的数据，“科学家们能快速地感受到它带来的影响。”他说，在他们与DeepMind的合作中，他们有一个包含蛋白质样本的数据集，但10年来都还没开发出一个合适的模型，直到DeepMind同意为他们提供一个结构，在15分钟内就解决了这个问题。

二、蛋白质折叠难题背后，AlphaFold分析速度已提升16倍

AlphaFold只需15分钟就能解决的问题，为何困扰了这些科学家10年？蛋白质折叠问题究竟难在哪？

如我们前面所说，蛋白质由氨基酸链构成，人体中共含有20种不同的氨基酸，任何一个蛋白质都可以由数百个氨基酸组成，且每个氨基酸都有不同的折叠和扭曲结构。

这些都意味着，哪怕是一个常见的蛋白质分子，它的最终结构都有许多种可能构型。一个估计是，典型的蛋白质可以以10^300种方式折叠。不用数了，就是“1”后面跟着300个“0”的可能性。

不过由于蛋白质的样本太小，科学家们难以用显微镜检查，不得不使用成本昂贵且复杂的方法来间接确定蛋白质结构，比如核磁共振和X射线晶体学（X-ray crystallography）。

但实际上，简单地通过氨基酸序列来确定蛋白质结构的构想，在理论上一直是难以实现的。因此，分析蛋白质结构也成为了人们攻克生物学领域的一大难关。

直到近年来，人们发现可以利用AI的方法来分析蛋白质结构。借助这些技术，AI系统可以通过在已知蛋白质结构的数据集上进行训练，并最终利用这些信息来预测蛋白质结构。

多年来，很多团队都参与到这项AI研究中，其中DeepMind基于深厚的AI人才库和大量计算资源基础，一直走在该领域的前沿。

去年，DeepMind在一项名为CASP的国际蛋白质折叠比赛中脱颖而出，其AlphaFold软件对蛋白质结构的预测结果非常准确。对此，CASP联合创始人之一的计算生物学家John Moult说：“在某种意义上，蛋白质折叠的难题已经有了解决方案。”

▲DeepMind的AlphaFold软件显着提高了计算蛋白质折叠的准确性（图源：DeepMind）

自去年CASP竞赛以来，AlphaFold系统也实现了升级，现在它分析蛋白质结构的速度已提高了16倍。“我们可以在几分钟内折叠一个普通蛋白质，多数情况下只要几秒钟。”Hassabis谈道。

英国雷丁大学教授Liam McGuffin曾开发出一些蛋白质折叠软件，他肯定了AlphaFold的技术，但也指出，AlphaFold的成功主要归功于科学家们数十年的先前研究和公开数据。

“DeepMind拥有大量研究资源来保持数据库的更新，他们比任何一个学术团体都更有能力做到这一点。”McGuffin认为，尽管科学家们最终也会走到这一步，但速度会更慢，因为他们没有足够的资源。

三、持续推进AI发展，年底数据库结构将增至1.3亿个

尽管DeepMind每年都处于大量亏损的状态，但这次开放蛋白质结构数据库是免费的。

实际上，DeepMind归属于Google母公司Alphabet，该公司一直在商业医疗保健领域投入大量资源。还有许多报道称，DeepMind与Alphabet在研究自主性和商业可行性等问题上存在分歧。

不过Hassabis谈道，公司一直在计划免费提供这些信息，这样做是对DeepMind创始精神的体现。“我们在被收购时与Alphabet达成的协议是，DeepMind主要的研究目的是推进AGI（通用人工智能）和AI技术的发展，然后利用它们来攻克科学领域的难题。”他说。

他认为，Alphabet有许多部门都专注于盈利，但DeepMind对研究的关注能够“为科学界带来各种各样的好处，包括声望和信誉，从而通过多种方法实现价值。”

Hassabis还强调，虽然DeepMind的主要研究目标是一些基础领域，但其技术已广泛应用于Google的其他业务中。“几乎你使用的任何Google产品，其中一部分技术都有我们的参与。”他透露。

与此同时，Hassabis预测AlphaFold将成为未来的标志，因为它展示了AI在处理人类生物学等复杂问题上的巨大潜力。

“我认为我们正处于一个非常激动人心的时刻。”Hassabis提到：“在接下来的十年中，我们和AI领域的其他人都希望能取得突破性进展，真正加速解决我们在地球上面临的真正重大问题。”

对于接下来的计划，EMBL-EBI的结构生物信息学Sameer Velankar谈道，到今年年底，本周提交的大约36.5万个蛋白质结构预测将增加至1.3亿个，几乎是所有已知蛋白质的一半。

此外，随着DeepMind的继续投资，以及未来对AlphaFold的改进，系统和数据库也将定期更新。

结语：站在巨人肩膀上看未来，以AI实现多领域多点开花

对DeepMind而言，从AlphaFold系统的更新迭代到蛋白质结构数据库的开放，研究团队在五年里不仅必须要创造性地克服许多技术难题，还要面临许多复杂算法的创新挑战，这些都是推动人工智能和生物学领域发展的必经之路。

不能忽视的是，DeepMind乃至未来研究团队的创新，都是建立在先前几代科学家的研究发现上。从蛋白质成像和晶体学的早起先驱，到数以千计的预测专家和结构生物学家，他们一路披荆斩棘，花了多年时间对蛋白质展开深入研究。

我们也期待，站在巨人的肩膀上的他们，未来能开辟更多创新的科学研究途径，推动更多领域的发展和进步。

来源：DeepMind、TheVerge、Nature