該公司今天宣布，Alphabet 的 DeepMind 已使用其人工智能系統(tǒng)解開了一個長達 50 年的生物學謎團，該公司使用 AlphaFold 幫助理解蛋白質行為。該公司因其神經網絡的發(fā)展而臭名昭著，這證明了他們在下棋、圍棋和將棋方面的人類最佳能力。

谷歌在 2014年收購了 DeepMind——一路上不乏爭議——它在 2015 年成為 Alphabet 的子公司。 AlphaGo，它的圍棋 AI，在第二年擊敗了人類世界冠軍選手，而 AlphaZero 繼續(xù)展示了強化學習如何可用于通過與自身對戰(zhàn)來有效地訓練 AI。

不過，AlphaFold 解決了一個非常不同的挑戰(zhàn)。“蛋白質折疊問題”是試圖了解蛋白質中的氨基酸序列如何塑造其 3D 原子結構的簡寫。該形式由考慮熱力學和原子間力的底層折疊代碼主導;試圖從氨基酸序列了解蛋白質天然結構的蛋白質結構預測;以及折疊本身如何發(fā)生的動力學。

雖然聽起來很深奧，但了解氨基酸的運作方式被認為是解決生物學中許多挑戰(zhàn)的關鍵。這包括從解決人類疾病到更廣泛的應用，例如分解塑料或其他廢物的酶。

目標是想出一種計算方法來預測折疊，而不是實驗方法，它可以更快、更有效。“然而，一個主要的挑戰(zhàn)是，蛋白質在形成最終 3D 結構之前理論上可以折疊的方式數(shù)量是天文數(shù)字，” DeepMind指出。

1994 年，CASP 發(fā)起了一項挑戰(zhàn)，在尋找計算解決方案的過程中，將預測方法相互競爭。其成功的衡量標準是所謂的全局距離測試，或 GDT，它基于在其正確位置的閾值距離內預測的氨基酸殘基的百分比。它的評分范圍為 0-100，非官方基準是超過 90 GDT 的任何東西，與實驗結果相當。

今天，DeepMind 說，它在第十四次挑戰(zhàn)——CASP14——中的嘗試獲得了 92.4 GDT。“這意味著我們的預測的平均誤差 (RMSD) 約為 1.6 埃，”該公司表示，“這與原子的寬度(或 0.1 納米)相當。”

與 DeepMind 2018 年的條目(最后一個運行的 CASP)相比，這是一個重大飛躍，上一代 AlphaFold 未能達到 60 GDT。

“對于在 CASP14 上使用的最新版本的 AlphaFold，我們創(chuàng)建了一個基于注意力的神經網絡系統(tǒng)，經過端到端訓練，它試圖解釋這個圖的結構，同時對它正在構建的隱式圖進行推理，” DeepMind 解釋道。“它使用進化上相關的序列、多序列比對 (MSA) 和氨基酸殘基對的表示來完善該圖。”

DeepMind 使用谷歌最新一代的TPU 神經處理核心——大約 128 個——擁有來自公共數(shù)據庫和其他蛋白質序列數(shù)據庫的約 170,000 個蛋白質結構。該公司表示，它需要“幾周”才能完成。接下來，希望讓第三方研究人員以可擴展的方式訪問該系統(tǒng)，同時應用該技術更好地了解蛋白質結構如何影響特定疾病并可能影響藥物開發(fā)。