导读
今年诺贝尔化学奖授予蛋白设计和结构预测领域的三位学者。事实上，AI与蛋白设计的结合早已摩擦出火花。
人工智能正成为蛋白质设计领域的有力工具，催生出成千上万的新蛋白质。
随着人工智能的介入，蛋白质设计变得日益便捷，这些显著的成就不仅凸显了人工智能与生物技术交叉领域的巨大潜力，更为未来的科学研究和应用创新奠定了坚实的基础。
人工智能与蛋白质设计带来了生物技术和医学领域的全新变革，也对生物技术和医学产生了深远影响。那么，这些影响具体体现在哪些方面呢？
Ethan Sulliva | 撰文
林 岩 | 翻译
01
人工智能与蛋白质设计
距离AlphaFold2取得突破性成就已过去三年，人工智能（AI）在蛋白质设计领域仍有着巨大的潜能。
科学家借助转换器与扩散AI模型的强大功能，成功从零开始创造出了全新的蛋白质、抗体、酶和疫苗。
这一系列显著的进步，为药物研发和生物技术领域带来了前所未有的机遇，在Nature Biotech杂志的特刊中也得到了充分的展现和认可。
02
机器学习与蛋白质工程
蛋白质设计与AI模型的最新进展彻底重塑了计算蛋白质设计的领域，为生物技术和医学领域提供了快速生成蛋白质的新可能。
当前，机器学习方法正广泛应用于设计PET解聚的水解酶、治疗酶以及用于基于进化信息的蛋白质设计，以同时优化多种功能属性。
目前，大型语言模型已经能够生成来自不同家族的功能性蛋白质序列，而深度学习则被用于设计信号蛋白的合成同源物。
此外，通过稳定片段的重组技术，科学家已成功创造出一系列热稳定的细胞色素P450家族成员。
03
预测蛋白质功能的AI工具
研究人员开发了一种创新的人工智能工具——DeepGO-SE，它能够预测未知蛋白质的功能。
DeepGO-SE超越了现有方法，并具备分析那些在现有数据集中缺乏明确匹配项的蛋白质的能力。
通过运用大型语言模型和逻辑演绎技术，DeepGO-SE得以基于普遍的生物学原理，对分子功能得出富有洞见的结论。
该工具的潜在应用广泛，尤其是在探索极端环境中的蛋白质方面，为生物技术的进步开辟新的前沿。
04
蛋白质设计的进化尺度建模
Meta AI正通过其进化尺度建模（ESM）研究，积极扩展蛋白质设计的边界。
该方法专注于创建自然界中不存在的蛋白质，利用蛋白质序列上的语言建模技术来预测缺乏同源体的蛋白质结构，这标志着蛋白质从头设计领域取得了重大进展。
尽管在精确预测折叠模式方面仍面临挑战，但这项研究凸显了科学家们致力于推动蛋白质设计和折叠边界的决心。
05
蛋白质设计中的机器学习模型
随着蛋白质设计领域的迅速发展，机器学习模型的重要性逐渐显现。
这些模型主要包括基于序列、基于序列标注和基于结构的模型，每种模型在蛋白质设计方面都有其独特的方法和优势。生成模型和序列标注架构已成为现代蛋白质设计的核心组成部分，科学家利用它们能够筛选出新颖的蛋白质，并优先对实验验证的变体进行探索。
一个实际应用的案例是DIProT，这是一个交互式蛋白质设计工具包。它借助深度学习技术解决了蛋白质的逆折叠问题，并在数据集上展现出卓越的性能。
此外，机器学习算法还被广泛应用于预测和优化蛋白质结构，这有可能彻底改变药物发现和医学研究的前景。
06
功能蛋白质工程的“AlphaFold时刻”
AlphaFold2的开创性成果在CASP14会议上的宣布，标志着首个能够从序列准确预测蛋白质结构的计算方法的诞生。
这一具有里程碑意义的成就，以及人工智能（AI）的最新进展，共同推动了蛋白质设计领域的变革。
现在，我们面临的问题是，是否会迎来功能蛋白质工程和设计的“AlphaFold时刻”，即是否能够实现按需创建定制功能蛋白质的能力。
随着蛋白质设计领域的极速发展，人工智能与蛋白质设计的结合有望为生物技术和医学带来颠覆性的变革。
从头开始设计蛋白质的能力为药物开发、酶设计和疫苗创造提供了无限的可能性，这标志着全球卫生领域的重大进展。
https://medriva.com/news/medical-breakthroughs/revolutionizing-biotechnology-and-medicine-the-impact-of-ai-and-protein-design/
Deep Science预印本