DeepMind 周四表示，人工智能驱动的蛋白质折叠模型 AlphaFold 预测了超过 200 亿种蛋白质，几乎所有这些结构都是科学已知的。
蛋白质是生物体中根据存储在 DNA 中的指令产生的复杂生物分子。 这些纳米级链由多达 20 种氨基酸制成，执行重要的细胞任务，以执行各种身体功能。 了解蛋白质的三维形式很重要，因为它的物理结构暗示了它的行为方式和用途，这有助于我们做一些事情，比如开发药物，并为那些缺乏药物的人创造仿制蛋白质。
一些蛋白质是有帮助的，比如那些参与消化食物的蛋白质，而另一些蛋白质可能是有害的，比如那些参与肿瘤生长的蛋白质。 然而，要弄清楚它们复杂的蠕动形状是很困难的。 分子生物学家可以花费数年时间进行实验来破译蛋白质的结构，而 AlphaFold 可以在几分钟内完成这项工作，具体取决于分子的大小，来自氨基酸组成。
AlphaFold 接受了数十万种已知蛋白质结构的训练，并了解了组成氨基酸与最终整体形状之间的关系。 给定任意输入氨基酸序列，该模型可以预测 3D 蛋白质结构。 现在，该模型已经预测了几乎所有科学已知的蛋白质结构。
DeepMind 与欧洲生物信息学研究所合作，扩展了其 AlphaFold 蛋白质结构数据库 包含超过 200 亿个 3D 形状的蛋白质，从动物到植物，从细菌到病毒——在短短一年内从近一百万个分子增加到至少 200 亿个分子，增加了 200 倍以上。
“我们希望这一突破性的资源将有助于加速全球的科学研究和发现，并且其他团队可以学习并在我们与 AlphaFold 取得的进展的基础上再接再厉，以创造进一步的突破，”DeepMind 的联合创始人兼首席执行官 Demis Hassibis， 说过 在星期四的声明中。
“这种希望比我们敢于梦想的要快得多。 仅仅十二个月后，超过 XNUMX 万研究人员访问了 AlphaFold，并用于加速从塑料污染到抗生素耐药性等重要现实问题的进展。”
注册 已要求 DeepMind 进一步发表评论。
AlphaFold 还显示出设计新药的巨大潜力。 这些结构有助于科学家找出可以与靶蛋白结合的化合物，以治疗或阻止它们发挥病理功能。 包括 Insilco Medicine 在内的公司已经 试验 用模型发现新药； 首席执行官 Alex Zhavoronkov 告诉 注册 这个过程比你想象的要复杂得多，并且涉及几个步骤。
目前尚不清楚 AlphaFold 的预测有多准确。 蛋白质的带状结构在与药物相互作用时通常会改变形状，这是 AlphaFold 无法帮助科学家解决的问题，因为它没有接受过相关培训。 Zhavoronkov 表示，该模型是一个“非常显着的突破”，但对所有的炒作保持警惕。
“直到我们在没有任何额外实验的情况下通过 AlphaFold 获得一种大疾病的新靶标结构，使用人工智能或其他方法设计的分子使用这种预测的结构，一路合成和测试，然后发表在高级期刊上——[我们可以]然后庆祝。”
大型制药公司希望看到在 AlphaFold 等 AI 工具的帮助下设计的分子在小鼠和人类身上进行了实际测试。 Zhavoronkov 补充说：“纯粹的算法成就对制药公司，尤其是对患者没有价值。”
Collaboration Pharmaceuticals 的高级科学家 Fabio Urbina 是一家使用机器学习算法开发罕见遗传疾病药物的初创公司，他说 AlphaFold 尚未完全证明在他的研究中有用。 Urbina 使用不同的技术，更多地关注潜在新药的结构而不是靶蛋白。
蛋白质结构是否足够有用还有待观察……以帮助我们发现治疗罕见疾病的新潜在药物
“这有几个原因； 许多药物靶点的蛋白质结构通常不容易被研究人员使用，而且蛋白质信息似乎并不能帮助早期机器学习模型显着提高其预测能力，”他告诉 注册.
“我对 AlphaFold 基本上‘解决’了第一个问题持谨慎乐观的态度，但蛋白质结构是否足以帮助我们提高机器学习预测能力以帮助我们发现新的潜在药物的下游应用还有待观察。对于罕见病。 然而，我们越来越多地看到蛋白质结构信息被视为新机器学习方法的一部分，我们也考虑过这样做。”
Urbina 说，正如 DeepMind 承诺的那样，提供几乎所有已知蛋白质结构的数据库，意味着更多的科学家将有资源进行实验和构建更强大的 AI 模型。 “我持谨慎乐观的态度，但随着整个蛋白质结构库的可用，我想说 AlphaFold 结构很有可能被纳入我们的一些机器学习模型中，并最终可能帮助我们发现新的治疗方法。 ” ®
