乾明 發自 凹非寺
量子位 報導 | 公眾號 QbitAI
疫情全球化蔓延之下，世界最頂級的AI研究機構加入抗疫陣列。
DeepMind利用其最新版本的AlphaFold系統，發現幾種與新冠病毒（SARS-CoV-2）相關的蛋白質的結構預測，並在今天對所有人公開。
他們表示，這些蛋白質結構還尚未被專家研究，希望能夠對抗疫科研作出貢獻。
「在共享的蛋白質資料庫中，我們的系統準確地為SARS-CoV-2刺突蛋白提供了預測實驗，這使我們相信，我們對其他蛋白質的模型預測可能是有用的。」DeepMind在博客文章中寫道。
DeepMind的底氣，來自於AlphaFold——這個2018年12月問世便驚呆科學家的系統，它主要功能是用人工智慧加速科學發現。
在2018年的「蛋白質結構預測奧運會」CASP比賽中，力壓其他97個參賽者，是第二名成績的8倍還要多。
所以在華盛頓大學利用蛋白質遊戲Foldit，集眾智對抗新冠病毒之後，不少人紛紛發問：為什麼AlphaFold沒有出現？
現在，它來了。
DeepMind出手，用AlphaFold抗疫
「我們感激許多其他實驗室的工作，如果沒有全球各地的研究人員的努力，這項工作是不可能的，」DeepMind表示。
正是在全球各地，尤其是中國公開新冠病毒研究資料的情況下，他們才能夠得以發現如此成果。
AlphaFold問世以來，DeepMind一直在優化系統，希望其能夠更加強大。對SARS-CoV-2相關蛋白結構預測，是他們最新研究成果的體現。
他們的模型中，還包括每個殘差的置信度，來幫助指出結構的哪些部分更有可能是正確的。
但DeepMind也補充道，只提供了缺乏合適模板或模板建模困難的蛋白質的預測，這些未被科學家研究的蛋白質，可能不是當前的焦點，但可能有助於研究人員理解SARS-CoV-2。
通常情況下，了解一種蛋白質的結構，能為理解它的功能提供重要的資源，但要確定這種結構，可能需要幾個月甚至更長時間的實驗。
現在，DeepMind已經將他們的蛋白結構預測放到了網絡上，供全球各地研究人員免費下載（連結在文末）。
DeepMind為什麼能夠這麼快？背後的力量來自於AlphaFold。
AlphaFold如何實現加速度？
與傳統預測蛋白質3D結構的方法不同，AlphaFold僅僅基於蛋白質的基因序列，就能預測蛋白質的3D結構。
這是一個非常複雜任務。
基因序列中只包含蛋白質組成部分胺基酸殘基的序列信息，這些胺基酸殘基會形成長鏈。預測這些長鏈如何摺疊成複雜的3D結構，被稱為「蛋白質摺疊問題」（protein folding problem）。
蛋白質越大，胺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。
DeepMind引入神經網絡來解決這些問題。
首先，他們訓練了一個神經網絡，用來預測蛋白質中每對殘基之間的距離分布。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，並基於這些評分函數，去找到符合預測的結構。
神經網絡模型的加持，以及龐大的算力驅動，AlphaFold不僅用時更短，而且結果比以前的任何模型都要精確，2018年亮相之後一舉引發全球關注。
從那時到現在，DeepMind一直在投入資源優化AlphaFold。
現在疫情全球化肆虐，各大科技巨頭紛紛捲入其中，沒有誰能夠獨善其身，也是時候貢獻力量共同抗疫了。
而且，這同樣是對他們技術的一次驗證：實驗中效果很強，但實際中怎麼樣呢？
該出來遛遛了~
DeepMind新冠病毒相關蛋白結構預測下載地址：
https://storage.googleapis.com/deepmind-com-v3-datasets/alphafold-covid19/structures_4_3_2020.zip