作者：奶树
编辑：蝌蚪
当昨天的诺贝尔物理学奖刚刚颁给了开发了人工神经网络的AI之父杰弗里·辛顿和约翰·霍普菲尔德，大家还在暗想： 今年不会AI来了个大满贯吧？ 化学奖也可能给AI预测蛋白质结构啊！
于是，不出意外地，瑞典皇家科学院10月9日宣布，2024年诺贝尔化学奖一半给了开发人工智能设计蛋白质结构的大卫·贝克（David Baker）、另一半则给了开发了人工智能预测蛋白质结构的德米斯·哈萨比斯（Demis Hassabis）和约翰·M·詹珀（John M. Jumper）。
其实在RostteFold和AlphaFold2在2021年横空出世的时候，结构生物学家、生物化学家、计算生物学家就已经知道，这项成果，肯定值得一个诺贝尔奖。
蛋白质结构：困扰生物学家的难题
说起蛋白质，相信不少人其实并不陌生，甚至了解蛋白质是细胞里行使各种功能的“元件”。不仅如此，蛋白质也是组成我们身体的基本物质之一。比如说健身可以锻炼肌肉，但想要肌肉增强变大，就必须有足够的蛋白质供给才行。
餐桌上的鸡蛋、牛奶以及各种肉类都是富含蛋白质的食物，对于人类来说，蛋白质唾手可得；但是，想要得到蛋白质的结构却难于上青天。
富含蛋白质的饮食 | 图源：iSlide
因为蛋白质的结构非常复杂：简单讲，氨基酸组成蛋白质，一个个氨基酸会有叫肽键的结构链接，它的连接可以形成两种不同的角度。
那现在给大家出一个简单数学题：假设有100个氨基酸组成蛋白质，那就需要99个肽键，99个肽键有两种不同角度的结构，同时不同角度还会有三种可能的稳定结构，那就是3的198次方种可能，你要是慢慢穷举，从宇宙爆炸到现在都数不完，这就是利文索尔悖论——蛋白质结构非常非常多样，没办法用穷举来算完。
氨基酸组合过程中不同的二面角会产生不同的结构，因此才有利文索尔悖论这样的无穷种结构可能| 图源：Wikipedia
结构这么复杂该怎么办？生物学家最直接的想法就是观测，用不同的方法来测量：上世纪五六十年代，用的是X光衍射——把蛋白质结晶，然后打上X光，通过反射的角度可以推测蛋白质长什么样子，这个难点就是怎么把蛋白质纯化结晶出来。
另一个现在很热门的研究方法叫冷冻电镜，就是利用冷冻切片技术，加上电子显微镜直接看蛋白质结构，但缺点就是非常非常贵，太烧钱了。
冷冻电镜的基本原理 | 图源：Wikipedia
那大家猜猜这么些方法，测量了几十年了，我们分析出来多少个蛋白质结构？其实已经不少了，根据数据库记载，现在实验已经解析了18万种蛋白质。
但是相对的，我们刚刚说到蛋白质是氨基酸组成的，只要测序技术测得到DNA序列，就能推导出蛋白质序列。查找数据库可以发现，现在已知的有十几亿种蛋白质序列，这和18万之间差了将近一万倍。
所以结构生物学家就很苦恼——测序太简单了，导致结构生物学远远跟不上测序的速度。
蛋白质结构解析数量变化 | 图源：Nucleic acids research, 2019.
蛋白质序列测序的速度 | 图源：www.ncbi.nlm.nih.gov/genbank/statistics/
计算预测也许可以解决问题？
所以很多开发算法的计算生物学家就想预测结构，通过算法预测肯定比做实验快很多。但是刚刚也说了利文索尔悖论，预测结构非常非常难，你要是穷举那是天文数字。
所以有很多的计算思路，比如我可以类比，实验解出来的结构我可以类比相似的序列，推测相似的序列会不会有相似的结构，这个叫同源建模；也可以拆开来类比，比完再像缝缝补补拼积木一样把结构拼出来，这个叫穿线法……但是这么多方法都有个问题：精度特别差。这就好像我想看1080P的高清视频，但是怎么调都只有马赛克高糊版，看都看不清。
做个类比的话，比如实际的蛋白结构是左图，但是预测结果往往只能得到左图的效果，很多信息都无法得知（仅作示意进行处理，实际并不仅仅是模糊，还会有很多完全不同的差别） | 图源：Wikipedia
为了促进各国科学家不断向前，从1994年开始，每两年都会举办CASP，叫蛋白质结构预测关键测试，来评估大家的算法预测准不准，来提高算法的精度。
简单来说就是从各种蛋白质序列里挑几个出来，一边让结构生物学家做实验解出一个“标准答案”，然后计算生物学家就用自己的算法来比，看看谁跟标准答案更接近。
但很遗憾，24年过去了，仍然进展很慢。
CASP官网
AI出场，势不可挡
直到2018年，一个叫AlphaFold的方法出来，得到了80分的高分，两年之后2020年AlphaFold二代打分到了90分，基本就和实验做出来的标准答案一样了。还是刚刚1080P的比喻的话，别人预测像个马赛克，但AlphaFold2预测就已经差不多1000P，和1080P基本大差不差。
这个大家也知道了，就是Deepmind公司的德米斯·哈萨比斯和约翰·M·詹珀开发的人工智能方法。
AlphaFold2方法预测的精度远远超过其他算法（图a），同时预测的结果和实验结果基本吻合（图b-d）| 图源：Nature, 2021.
随后这个方法开始广泛应用到了生物学上，一发不可收拾。
一是Deepmind开发的AlphaFold2算法，在短短几个月时间里，就把几十年结构生物学家解析的没解析完的蛋白质都解了：人体98%的蛋白质都试着预测了一遍，其中三分之一能准确预测，还有一些也能大概预测一半多。同时他们声称后面几个月就把数据库扩展到一亿个蛋白质。这就比实验方法快了上万倍了。
基于AlphaFold2预测的蛋白质结构数据库
另一个生物学上的应用，是同样基于人工智能算法，由大卫·贝克开发的RoseTTAFold，它挑战的是更难的领域——怎么预测蛋白质和蛋白质相互结合，也在短时间预测了几千种蛋白质的相互结合。
RoseTTAFold的宣传图，最突出的就是对于蛋白质互作的结构预测
在AlphaFold2正式发布后只过了半年多，2022年7月，DeepMind公司的CEO，德米斯·哈萨比斯就在新闻发布会宣布：我们已经掌握了“整个蛋白质世界”（The entire protein universe）——AlphaFold马不停蹄地运转，成功完成了现有蛋白质数据库中全部2.14亿种蛋白质的结构预测。
德米斯·哈萨比斯 | 图源：Jung Yeon-Je/AFP/Getty
2.14亿种蛋白质中，有35%被评估为高度准确，虽然这个数字看起来不高，但是按照目前实验检测的水平，全部做完也就差不多这个水平——更何况，截至目前实验检测花了几十年也只测出了14万种。
仅在DeepMind公司宣布完成了“整个蛋白质世界”三个月后，2022年10月，Meta公司（原名Facebook）就拓宽了这个“蛋白质世界”的边界（‘dark matter’ of the protein universe）——他们利用自己开发的大型语言模型算法ESMFold，预测了6.17亿种来自宏基因组信息的微生物蛋白质结构。
ESMFold算法的准确度虽然略逊于AlphaFold，但它的优势在于能以60倍于AlphaFold的速度去预测短序列蛋白质的结构，这就使得它在预测结构相对简单的微生物蛋白质上有了很大的优势。
6.17亿种蛋白质结构的全览 | 图源：ESM Metagenomic Atlas
没过几天，AI又开始颠覆生物学家的认知了——创造蛋白质。
这其实是一个和蛋白质结构预测刚好相反的问题：蛋白质结构预测是从序列到结构，而创造蛋白质是要求从我们希望得到的结构，反推出合适的蛋白质序列。过去这是个计算量巨大的工作，现在AI也能完成了。
四种目前常用的设计蛋白质策略 | 图片翻译自：Nature
相比于大批量预测蛋白质结构，创造蛋白质的目的就更加明确——我们希望能创造出自然界不存在，但是对人类非常有用的蛋白质。
设计蛋白质的尝试还在不断进步和迭代，已经逐渐用到了实际应用当中。例如在RoseTTAFold的研究中，利用ProteinMPNN和RoseTTAFold方法设计出来的蛋白质，不仅在自然界完全不存在，并且大大提高了这些蛋白质结构的稳定性，预计在未来会被用作疾病治疗的抗原抗体，或者生物化学反应所需的生物酶。
蛋白质设计的过程，通过不断改变序列让蛋白质结构趋于稳定（结构的稳定基于AlphaFold预测，越红代表越不稳定，越蓝代表越稳定） | 图源：Nature
不少人可能要问了：预测蛋白质结构，到设计蛋白质，有啥用呢？
我们最开始就提到了蛋白质在我们生活无处不在，而蛋白质要发挥功能，基础是要有一定的结构。所以预测蛋白质结构，可以帮助我们更好地理解蛋白质的功能，进而去比如构建蛋白质分子药物，或者研究复杂的生物化学现象。
一个最简单的例子，比如现在我们知道新型冠状病毒的新变异奥密克戎传播力特别强，而这传播关键的刺突蛋白结构，就可以利用人工智能来预测，进而可以推测什么药物或者治疗方法可以更有效的针对奥密克戎。
使用AlphaFold预测的奥密克戎突变体的S蛋白结构
但同时，虽然说人工智能已经完成了结构生物学家很多的工作，但是这个预测仍然是不完善的：
比如有些复杂的结构，可能结构生物学家实验还没有解析出来，人工智能也就还没办法学习到，因此也预测不出来，所以很多问题仍然需要结构生物学家的深入探究；
还有很多蛋白在发挥功能的时候是一个动态变化的过程，这种时候预测的结果就不准确，还是用1080P举例的话，就是理论上是一个1080P的视频，但是人工智能在这几秒预测出来是1080P高清，那几秒预测出来却是马赛克，所以也不准确。
这些都是人工智能预测蛋白质的瑕疵，但是瑕不掩瑜，人工智能在蛋白质结构预测带给我们的惊喜实在太多了，而这项诺贝尔奖，就是计算科学在生命科学上应用的最好证明。
参考资料：
Callaway E. 'The entire protein universe': AI predicts shape of nearly every known protein[J]. Nature, 2022, 608(7921): 15-16.
Lin Z, Akin H, Rao R, et al. Evolutionary-scale prediction of atomic-level protein structure with a language model[J]. Science, 2023, 379(6637): 1123-1130.
Callaway E. Scientists are using AI to dream up revolutionary new proteins[J]. Nature, 2022.
Ferruz N, Heinzinger M, Akdel M, et al. From sequence to function through structure: deep learning for protein design[J]. Computational and Structural Biotechnology Journal, 2022.
Wicky B I M, Milles L F, Courbet A, et al. Hallucinating symmetric protein assemblies[J]. Science, 2022, 378(6615): 56-61.
Wang J, Lisanza S, Juergens D, et al. Scaffolding protein functional sites using deep learning[J]. Science, 2022, 377(6604): 387-394.