生物界 AlphaGo 誕生!DeepMind 用 AI 找「蛋白質折疊」規律,比人類判斷還精準

 

【我們為什麼挑選這篇文章】當人工智慧在遊戲像人一樣掌握複雜的情境時, 科學家開始期待,人工智慧也能解決科學問題。

DeepMind 近日進攻醫療領域,從深度學習精準預測「蛋白質結構」上下手,獲得更多關於蛋白質形狀和它們如何運作的知識,以幫助目前科學無解的阿茲海默症、帕金森氏症,過去被認為近乎絕症的疾病,似乎也出現了一絲曙光。(責任編輯:鄧天心)

AlphaGo 和 AlphaZero 又有新兄弟,這次輪到科學家驚呆了。

DeepMind 近日宣布,過去兩年一直在研發 AlphaFold:一個用人工智慧加速科學發現的系統。

它僅僅基於蛋白質的基因序列,就能預測蛋白質的 3D 結構,而且結果比以前的任何模型都要精確。

在「蛋白質結構預測奧運會」CASP 比賽中,力壓其他 97 個參賽者。《衛報》報導稱,AlphaFold 預測出了 43 種蛋白質中 25 種蛋白質的最精確結構。在同一類別中排名第二的隊伍,只預測出了 3 種。

相關的研究者紛紛表示,DeepMind 厲害!很想知道他們方法的細節。

對於這項研究,DeepMind 稱其為「DeepMind 在科學發現領域的第一個重要里程碑」,在生物學的核心挑戰之一上取得了重大進展。

《衛報》評論稱,這將「開啟醫學進步的新時代」。

到底是個多大的進展?

任何給定的蛋白質能做什麼,取決於它獨特的 3D 結構。所以,能精確預測蛋白質的 3D 結構意義非凡。

首先,它能夠幫助科學家更好地理解蛋白質在人體內的作用。對於 診斷和治療由蛋白質錯誤折疊引起的疾病,比如阿茲海默症、帕金森氏症、亨廷頓氏症等 ,至關重要。

其次,它會提高我們對身體及其工作原理的認識, 使科學家能夠更有效地設計新的、有效的疾病治療方法

隨著我們通過模擬和模型獲得更多關於蛋白質形狀和它們如何運作的知識,會使藥物開發方面更容易,同時也會降低相關的實驗成本。

第三,它也有助於更好地設計蛋白質,一個例子是,可以 推動可生物降解酶的進步,幫助我們控制像塑料和石油這樣的污染物

事實上,研究人員已經開始對細菌進行工程改造,使其分泌蛋白質,讓廢物可生物降解,進而變得更容易處理。

不過,僅僅根據基因序列來確定蛋白質的 3D 形狀是一項複雜的任務。

挑戰在於,基因序列中只包含蛋白質組成部分氨基酸殘基的序列信息,這些氨基酸殘基會形成長鏈。預測這些長鏈如何折疊成複雜的 3D 結構,被稱為「蛋白質折疊問題」(protein folding problem)。

蛋白質越大,氨基酸之間的相互作用越多,建模也就更複雜,困難度也會成倍上升。正如利文索爾佯謬(Levinthal’s paradox)中指出的那樣,在找到一個蛋白質正確的 3D 結構之前,要列舉一個典型的蛋白質所有可能的構型,需要的時間比宇宙存在的時間還要長。

那麼,DeepMind 解決這個問題的思路是怎樣的呢?

除了用 AI 找蛋白質折疊規律 ,
世界 AI 新創百強英科智能更進一步用 AI 來製藥,
AI 如何為精準醫療帶來新可能?

時間:12/14(五)13:30~15:30
地點:世貿三館
>>立即報名<<

DeepMind 方案:基於深度神經網絡

DeepMind 表示,他們專注於從零開始模擬目標形狀,而不是使用以前解決的蛋白質作為模板。

因此,在預測蛋白質結構的物理性質方面,DeepMind 達到了非常高的準確性,然後使用兩種不同的方法,來構建完整的蛋白質結構預測。

這兩種方法都依賴深度神經網絡,需要訓練深度神經網絡從基因序列中預測蛋白質的兩種特性:

1) 成對的氨基酸之間的距離;

2) 連接這些氨基酸的化學鍵之間的角度。

具體的操作步驟為:

訓練一個神經網絡來預測蛋白質中每對殘基之間的距離分佈。然後,將這些概率組合成一個分數,用來估計一個蛋白質結構的準確度。

此外,DeepMind 還訓練了一個單獨的神經網絡,基於所有距離的總和來評估初步給出的蛋白質結構與正確答案的接近程度。

然後,基於這些評分函數,去找到符合預測的結構。

DeepMind 使用的第一種方法,基於結構生物學中常用的技術,用新的蛋白質片段反覆替換蛋白質結構的片段,他們訓練了一個生成神經網絡來發明新的片段,用來不斷提高蛋白質結構的評分。

第二種方法是通過梯度下降法優化得分,這是機器學習中常用的一種數學技術,可以進行小的、增量的改進,從而得到高精度的結構。

他們將這項技術應用於整個蛋白質鏈,而不是那些在組裝前必須單獨折疊的片段,從而減少了預測過程的複雜性。

還有「一噸」多的想法

DeepMind 的目標,是將 AlphaFold 打造成基礎科學領域的 AlphaGo 和 AlphaZero。他們表示,我們首次涉足蛋白質折疊領域的成功表明,機器學習系統可以整合各種信息來源,幫助科學家快速找到複雜問題的創造性解決方案

正如我們已經看到人工智慧如何通過 AlphaGo 和 AlphaZero 等系統幫助人們掌握複雜的遊戲一樣,我們同樣希望有一天,人工智慧的突破也將幫助我們掌握基礎的科學問題。

DeepMind 的首席執行官 Demis Hassabis 對此信心滿滿。

「我們還沒有完全解決蛋白質折疊問題,這只是第一步,」他說。「這是一個極具挑戰性的問題,但是我們有一個良好的體系,我們還有『一噸』多的想法還沒有實施。」

__

(本文經媒體 量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈生物界“AlphaGo”來了!蛋白結構預測 AlphaFold 大勝傳統人類模型 〉 。首圖來源:Pixabay)

延伸閱讀

全球最先進微創手術系統!達文西手臂精準到能幫葡萄動「剝皮手術」還縫回去

《Nature》最新論文:科學家發現能打擊癌細胞的單糖!服用「甘露糖」能有效抑制腫瘤

個人化「精準醫療」時代來臨!未來,對抗癌症不再是一場殊死戰


【怎麼加速投資成本回收?】

跟風上雲端,結果公司花一堆時間在維護軟體超煩惱
2019 年把上雲端從「花成本」的支出單位變成「幫老闆賺錢」的金雞母
>>進入 2019 雲端技術趨勢調查 <<

點關鍵字看更多相關文章: