在過去兩年中，機器學習徹底改變了蛋白質結構預測。現在，《科學》雜志上的3篇論文描述了蛋白質設計方面的革命：華盛頓大學醫學院生物學家的研究表明，機器學習可比以前更準確、更快速地創建蛋白質分子。科學家們希望這一進步將帶來更多新的疫苗、療法、碳捕獲工具和可持續生物材料。

論文資深作者、華盛頓大學醫學院生物化學教授、2021年生命科學突破獎獲得者大衛·貝克表示，蛋白質是整個生物學的基礎，但迄今在每種植物、動物和微生物中發現的蛋白質，遠不到所有可能蛋白質的百分之一。有了這些新的軟件工具，研究人員應該能夠找到解決醫學、能源和技術方面長期挑戰的方案。

蛋白質常被稱為“生命基石”，因為它們對于所有生物的結構和功能都是必不可少的。蛋白質中的氨基酸序列決定了它的三維形狀，這種復雜的形狀對于蛋白質的功能至關重要。

為了超越自然界中發現的蛋白質，貝克團隊成員將蛋白質設計的挑戰分解為3個部分，并為每個部分使用新的軟件解決方案。

首先，必須生成新的蛋白質形狀。在《科學》雜志上稍早發表的論文中，該團隊設計AI通過兩種方式生成新的蛋白質形狀：第一種稱為“幻覺”，類似于基于簡單提示就能產生輸出的工具；第二種稱為“修復”，類似于現代搜索欄中的自動完成功能。

其次，為加快這一過程，團隊設計了一種生成氨基酸序列的新算法。15日發表的論文描述了這個名為ProteinMPNN的工具，運行時間約為1秒，比以前最好的軟件快200多倍。它不但結果優于以前的工具，還不需要專家定制即可運行。

第三，該團隊使用“深度思維”公司開發的“阿爾法折疊”來獨立評估他們提出的氨基酸序列是否可能折疊成預期的形狀。

研究人員表示，預測蛋白質結構的軟件是解決方案的一部分，但它本身無法提出任何新的東西。ProteinMPNN之于蛋白質設計，就像“阿爾法折疊”之于蛋白質結構預測。

在另一篇論文中，貝克實驗室的一個團隊證實，新機器學習工具的組合能可靠地生成在實驗室中起作用的新蛋白質。

研究發現，新制造的蛋白質更有可能按預期折疊，因此可使用這一方法創建非常復雜的蛋白質組裝體。“這是蛋白質設計中機器學習的開端。”貝克說。

總編輯圈點：

作為復雜的大分子，蛋白質結構相關研究難度頗高。而人工智能的出場，可以大大提升蛋白質結構相關研究的效率，為生命科學領域的科學家們幫上大忙。幾年前推出的“阿爾法折疊”，可以利用人工智能預測蛋白質的結構，曾一度震動生命科學界。如今，這項最新研究可以利用人工智能設計全新的蛋白質，更進一步彰顯了人工智能在生命科學領域的巨大潛能。