防走失，电梯直达安全岛
来源：知识分子
作者：戴威
pixabay.com
2020年11月30日，谷歌旗下DeepMind公司研发的人工智能系统AlphaFold在第14届国际蛋白质结构预测竞赛（CASP）中摘得桂冠。
当日，DeepMind在官网发布新闻稿，称对于困扰生物学界50年的 “蛋白质折叠” 难题，AlphaFold系统已成为业内专家认可的解决方案；Nature新闻更是以 “it wil change everything”（将改变一切）作为标题，指出DeepMind在解决蛋白结构问题上“迈出一大步”。
这些激动人心的表述，让网友们惊呼：如果机器预测蛋白结构这么准，结构生物学家们的饭碗，要被机器抢走了吗？
撰文 | 戴 威
责编 | 陈晓雪
● ● ●
AlphaFold预测结构夺冠，再次名声大噪
了解一种新的蛋白结构有两条路，一是靠实验去 “看”，二是根据氨基酸序列用计算机去 “算”。
可以说，AlphaFold是目前 “算” 这条路上的冠军。
利用计算预测蛋白质结构的CASP竞赛创始于1994年，如今已成为评估预测技术的黄金标准，也是这一领域交流新技术的国际平台。该竞赛以全局距离测试（Global Distance Test，GDT）计分，满分100分，分数越高，意味着每个氨基酸残基（蛋白链上的小球）离实验测得的正确位置越接近。用于竞赛的蛋白质均为新近实验破解的、且未公开发表的研究。
自由建模环节中AlphaFold的模型与实验数据高度贴合。蓝色为计算预测，绿色为实验结果。图源： deepmind.com
在今年CASP比赛中，组织方在5月到8月间放出氨基酸序列，上百个参赛团队可在5月至9月中旬间提交模型。
最终，DeepMind 旗下AlphaFold系统拿下中位数92.4GDT的高分，就是在难度较高的自由建模环节也达到了87分的中位数，比第二名高出了25分。
马里兰大学教授、竞赛创始人之一的约翰·蒙特（John Moult）教授认为，90 GDT左右的分数可认为与实验方法获得的结果相竞争。
“这绝对是惊人的突破。对于超大分子量的单一蛋白，体外表达上就存在困难，更别提更大的复合物，所以在获得高质量的样品用于结构解析是具有挑战性，以及费时费力费钱。能够利用准确预测的结构进行分析，对于相应的研究意义非凡。” 对于AlphaFold的成绩，清华大学生命科学学院研究员李赛不吝赞美。结构生物学家李赛的研究方向是用冷冻电镜解析生物样本，而清华大学拥有国际一流的冷冻电镜平台。
AlphaFold预测的效果如此之好，与实验结果只有小幅差异，甚至让人怀疑差异是否源于实验结果不够精细。“跟实验方法对比的话，有时候说，分辨率如此之高，有时候并不知道这个误差是来自于结构的预测，还是来自于实验方法分辨率的限制。所以这个消息是让人很振奋的。” 李赛告诉《知识分子》。
蛋白质由长长的氨基酸链组成，而仅有正确的氨基酸是不够的，这些链条必须扭卷成特定的三维结构，蛋白质才有活性，这一物理过程被称为蛋白质折叠。氨基酸链未折叠或折叠错误的蛋白质，都不能正常发挥生理功能。因此，探究蛋白质的结构对于研究其功能十分重要。
1972年，美国生物化学家克里斯迪安·安芬森（Christian Boehmer Anfinsen）提出假设，氨基酸序列能完全决定蛋白质结构。但氨基酸序列折叠的可能性多到数以亿计，仅通过氨基酸序列，并不能得到完整的蛋白质结构，因此在过去几十年里，计算预测只是实验手段的辅助。
解析蛋白质结构，现有的常用实验方法有三种：核磁共振、X射线晶体学和冷冻电镜。
如今，已有约17万蛋白质的结构经实验破解，并上传至蛋白质数据银行（Protein Data Bank，PDB）公开。
随着海量的序列和结构数据积累，预测结构不再是根据氨基酸序列“空算”，而有了学习的依据。利用这17万公开的蛋白质序列和结构数据，以及已知序列而未知结构的蛋白质数据库，DeepMind 对 Alphafold 进行训练。
2018年，DeepMind 推出 AlphaFold1 参加第13届CASP竞赛，今年的系统则是新版本AlphaFold2，使用了大约128个TPUv3核（相当于100-200个gpu）进行数周运算，算力更强。
相比于上一代AlphaFold，新版本在中位数准确性上更进一步。图源：deepmind.com
2
结构生物学家：
AlphaFold目前适用于理想环境的小型结构
李赛表示，新闻中的AlphaFold建模的对象都是一些分子量较小的或较基础的结构。
从简单到复杂、分子量从低到多，蛋白质结构可分为四级。其中，一级结构指线性的氨基酸序列；二级是形成稳定结构的氨基酸链，比如线圈状的α螺旋、锯齿状的β折叠；三级是几个二级结构形成的三维结构；四级结构是蛋白质复合物。
目前DeepMind展示的建模模型处于二级结构到三级结构之间。
展示的可能是（分子量）比较小的，可能是由几个α螺旋或者几个β折叠这样的二级结构，或者是一些结构域（超二级结构）、小蛋白质结构。” 李赛解释，蛋白越大、折叠的不确定性就越大。对于蛋白中稳定的结构域，通过氨基酸序列就可预测二级结构。但随着结构尺度“升级”，会出现一些折叠不确定的部分，“这些对于预测是蛮难的，即使是实验方法都不能保证测出来。
清华大学生命科学院院长王宏伟表示，“AlphaFold目前还主要是预测单链蛋白或结构域，无法预测较大的蛋白质复合体，尤其是包含很多不同组分的生物大分子机器的结构。” 他解释说，这主要是因为蛋白和蛋白的相互作用非常复杂，存在极多的可能性，即使实验手段冰山一角也只揭示出冰山一角。
对于复杂的蛋白质或蛋白复合物，科学家们现在主要通过冷冻电镜来解析。在核磁共振、X射线晶体学、冷冻电镜三种方法里，最初用于核物理的核磁共振要求生物样本分子量最小（15~25Kd），分辨率最高，达1埃以下；X射线衍射法对样本大小（不超过200Kd）的要求和分辨率都居中，但样本必须结晶；冷冻电镜的分辨率原不如前两者，适用于研究单个较大的生物分子，但2013年后技术革命，分辨率已达到原子级。
李赛告诉《知识分子》，结构生物学和冷冻电镜方法现在的研究重点依然是蛋白质三维结构，包括蛋白蛋白复合物、蛋白核酸复合物、糖蛋白等等。
除了可能的蛋白大小和结构复杂度的区别，李赛认为人工智能预测蛋白结构更依赖于比较理想化的环境。
而理想状态与蛋白质的自然状态是不同的。
李赛解释说，“结构生物学发展的大的趋势是做原位蛋白结构，这个就更复杂了。比如说一个病毒，（想研究）嵌在膜上的蛋白与另外一个蛋白的关系，要把结构解析出来。除非计算的方法能在哪一天模拟整个病毒、细菌、细胞，并把所有复杂因素都考虑，不然无法做到接近自然。”
3
机器预测比实验省时省钱？
从时间上看，实验方法破解一个蛋白质结构，根据研究的紧急程度、样本可获得性、蛋白复杂程度等等因素，用时短则几周几月，长达数年也不稀奇。相比而言，计算预测是要快一些，毕竟AlphaFold运算训练只花费了数周，而CASP竞赛全套建模项目也只有5个月。
除了省时，也可能更省钱。
冷冻电镜、核磁共振、X射线衍射三种实验方法探测蛋白结构的原理不同，设备也全然不同。冷冻电镜是用电镜观察经特殊冷冻后的样本；核磁共振是通过分析原子对能量的吸收情况反推物质的构成；X射线衍射法是利用晶体的X射线衍射结果计算晶体中原子排布。
硬件成本上，一台冷冻电镜根据规格型号不同，设备价格约在2000万到6000万之间，这还不算运行和维护费用。
而核磁共振和晶体学的设备价格也很高昂。特别是晶体学的同步辐射设备，占地可达数平方公里，建设费用数以亿计，李赛介绍说。
陈勇是清华大学生命科学学院博士后，博士期间在中科院生物物理所研究晶体学，他表示X射线晶体学的设施建设费用可达百亿，一般由政府主导，比如中国的上海同步辐射光源。这些平台除了服务生物学，还用于材料科学、物理学等。虽然造价上天，陈勇解释，同步辐射设备通常全球共享，并不是每个研究单位都要自己有。
而如果用计算机预测蛋白结构，硬件 “主要是高性能GPU计算平台的投入”，李赛表示，一个满足学院规模计算需求的平台建设大概需要千万级别，每年维护费用相对实验设施投入较低，电费开支每年在百万。
陈勇认为，计算机预测蛋白结构的成本理论上还是有优势——虽然预测需要高性能计算机，但冷冻电镜也需要高性能计算，而且还要加上前期设备费用。
4
机器预测能否代替实验？
即使计算的成本优于实验，但有了预测还做不做实验呢？
“AlphaFold确实是有划时代意义的工作，因为过去几十年科学家们一直努力实现能不能通过计算预测。这个是计算模拟或者是预测，实验性科学永远是实验性科学，我不知道计算预测出来的结果还要实验科学去验证吗？” 陈勇说，“这是个有意思的问题，我也不知这会不会出现重复性工作，你预测出来一个，我还要去验证一下？”
对于结构生物学研究，预测并不陌生，并一直作为实验科学的辅助存在。
李赛告诉《知识分子》，在AlphaFold之前很多年就有了一些预测蛋白质结构的算法。“密歇根大学的张阳实验室在这个上面比较领先，我们有时候会用他们的服务器预测一些结构，用来和电镜结构做参照。” 至于预测与实验的结果，有时候一样，很多时候是不一样。
不过，对于从零开始的研究，预测可以帮助实验科学找找思路。陈勇表示，有许多未知的蛋白结构，在前期没有任何东西参考的情况下，“可以通过序列计算出来一个模型，然后实验性科学正好又得到了一个蛋白结构的电子密度，这样在分辨率没那么高的情况下，可能有助于我们从头建模，去搭原子模型。”
对于AlphaFold这样高准确性的算法，“我觉得这是一个蛮好的事情，非常厉害，”陈勇说，预测能辅助搭模，帮助在做表达的时候做一些优化和改造，“这样可能会加速实验性科学的脚步。”
实验受益于预测，而预测的算法是基于实验科学的结果。
或许蛋白质折叠存在某种可靠的规律，但这种规律需要参考的生理因素实在太多太多。实验科学尚在探索冰山一角，构筑在实验之上的算法能形成理论闭环吗？
“完全基于物理学和化学第一性原理的结构预测还没有出现。实验科学永远是探索未知的必要手段。”王宏伟指出。AlphaFold系统对蛋白结构精准预测的算法不是凭空成立的，而来自对17万实验确定的蛋白结构和序列的学习。
所有实验解出蛋白结构会上传PDB数据库并拥有编号。“这周放出来的晶体结构的量是两百多个，电镜（实验获得的）大概是五十多个。”陈勇介绍说。另外，数据库里约10~15%的结果来自核磁共振。
创建于1971年的全球共享的蛋白结构档案库——PDB现孜孜不倦地每周二更新。截至2020年12月2日，共收录171916个蛋白结构。
但更多的蛋白质结构仍然未知。
“对这些蛋白进行结构预测具有极大的重要性，同时预测的结构也有助于实验解析未知蛋白结构。” 李赛表示。
DeepMind表示，在未确定的蛋白质中，可能有一些具有令人兴奋的新功能，像AlphaFold这样的技术可能会帮助我们找到它们——就像望远镜帮助我们看到未知宇宙的更深处一样。
探索更多的未知结构，这大概是 AlphaFold（们）和结构生物学家的共识吧。
[1]High Accuracy Protein Structure Prediction Using Deep . Learninghttps://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology
[2]‘It will change everything’: DeepMind’s AI makes gigantic leap in solving protein structures.https://www.nature.com/articles/d41586-020-03348-4?from=timeline&isappinstalled=0
[3]RCSB PDB. https://www.rcsb.org/#Category-analyze
[4]https://www.instrument.com.cn/news/20200713/553750.shtml