五大頂級學者的AlphaFold 2論道：破譯結構、開源代碼后的產(chǎn)研「大變局」（下篇）

過去半個月，Alphafold2先后兩次沸騰了整個學術圈。

一邊是“AI界年度十大突破”AlphaFold2終于開源，登上Nature；

另一邊DeepMind又發(fā)布，堪比人類基因組圖譜的，最完整人類蛋白質結構數(shù)據(jù)庫。

對自家的“王者級成果”，DeepMind聯(lián)合創(chuàng)始人、首席執(zhí)行官德米斯·哈薩比斯（Demis Hassabis）也自豪表示：“這是迄今為止AI在推動科學進步方面做出的最大貢獻，我覺得這么說一點兒也不夸張。”

但事實真是如此嗎？

爆火的AlphaFold2是否被期望過高？后AlphaFold2時代，蛋白質結構領域是否會出現(xiàn)學術研究的“軍備競賽”？AlphaFold2代碼開源，是否為各大藥企和AI制藥企業(yè)創(chuàng)造了一次最佳的超車機會？備受期待的AlphaFold2數(shù)據(jù)庫，是否會成為專家們打開蛋白質功能奧秘的金鑰匙？

近日，主題為“權威專家再談AlphaFold 2：AI是否會帶來結構生物學的「大革命」？”的圓桌論壇正式舉行。本次主題論壇由圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM）主辦，雷鋒網(wǎng)、醫(yī)健AI掘金志協(xié)辦。

印第安納大學醫(yī)學院副院長、AIMBE Fellow黃昆教授擔任主持，密蘇里大學教授、AAAS/AIMBE Fellow許東教授、密歇根大學教授、DeLano獎得主和I-TASSER算法發(fā)明人張陽教授、芝加哥豐田計算技術研究所、斯隆獎得主許錦波教授，中科院計算機所研究員卜東波教授共同參與了討論。

在《五大頂級學者的AlphaFold2論道：破譯結構、開源代碼后的產(chǎn)研「大變局」（上篇）》中，幾位嘉賓共同深究AlphaFold2這次成果的技術細節(jié)與意義；

在下篇中，將著重分析AlphaFold2數(shù)據(jù)集，這一重磅成果實際的科研價值，以及怎樣拓展到新冠疫苗、新藥研發(fā)等其他領域的未來話題。

作為本次論壇的主辦方，圖像計算與數(shù)字醫(yī)學國際研討會（ISICDM）自2017年創(chuàng)辦以來，一直是醫(yī)工交叉的前沿陣地，圍繞圖像計算和數(shù)字醫(yī)學中的一些重要的理論、算法與應用問題進行學術討論，旨在促進電子信息（包括計算機、自動化與生物醫(yī)學工程）、數(shù)學和醫(yī)學等領域學者的交流與合作，截止至今，ISICDM共邀請到400余位大會報告及專題報告嘉賓。

以下是主題論壇的現(xiàn)場內(nèi)容，雷鋒網(wǎng)《醫(yī)健AI掘金志》做了不改變原意的編輯和整理：

黃昆（主持人）：Alphafold2現(xiàn)在開放了源代碼，也開放了模型預測部分，制藥巨頭是否可能會復現(xiàn)這些過程？是否會對AI初創(chuàng)企業(yè)造成較大沖擊？

許東：據(jù)說DeepMind本來想把Alpha fold2變成一種商業(yè)模式，但因為David Baker復現(xiàn)并開源了類似成果，所以他們才選擇開源，不過這只是一種說法。

我覺得藥企復現(xiàn)這些過程，商機可能不大，因為他們很難超越Alphafold2模型，也無法創(chuàng)造更大知名度，小公司要復現(xiàn)就更加困難。

但現(xiàn)在有很多與結構交叉的AI創(chuàng)業(yè)公司，以生物制藥為例，通過結構做分子設計，在中國、美國都非常活躍，確實有不少商機。

許錦波：剛好這幾天，我就正在與一個小公司討論Alpha fold2復現(xiàn)問題。

他們表示，自己在David Baker之前就已經(jīng)復現(xiàn)，他們買了16個GPU，重新寫了訓練代碼，最后得出結果比Alpha fold 2稍微差一點。

所以從算法優(yōu)化或算法簡化著手，十幾個GPU，幾個工程師沒準真能復現(xiàn)出Alpha fold2，盡管結果會差一點，但不會差太多。

黃昆（主持人）：Baker的3-track逐級結構約束，還有價值嗎？

張陽：Baker這篇論文因為和AlphaFold2一起出來，媒體給了很大關注。

首先，這篇論文是獨立的，雖然受到AlphaFold2啟發(fā)，但他們的程序在AlphaFold2代碼公布之前，就已經(jīng)完成，不過算法精度要比后者差一些。

其次，他們的最終模型結構不是端到端，我認為這是AlphaFold2的一個精髓。

Baker實驗室雖然也實現(xiàn)了部分端到端模型，但結果甚至還比不上，利用距離和接觸約束的傳統(tǒng)算法，這可能還是算力問題，Baker文章也提到過。

至于3-track算法，我也作過一個基準測試，結果要比論文中差一些，不過要比CASP14上，除了AlphaFold2其他組稍微好一些，我認為這種算法顯然代表了一種進步。

但從方法學角度，端到端預測更能代表蛋白質結構預測的發(fā)展方向。

黃昆（主持人）：蛋白質結構預測僅僅是蛋白質折疊的一個子問題，物化知識在折疊問題研究可能才剛剛開始？force filed和simulation應該是否會有較大研究價值？

許東：自己讀博士的時候，每天都在做force filed和模擬。

機器學習其實并不代表物理過程，物理過程是通過force filed的力場來驅動和折疊，折疊過程特別復雜。

而且物理和機器學習模式之間有很大的鴻溝，大家也在探討有沒有可能通過大數(shù)據(jù)方式回歸物理模式，把二者聯(lián)系起來。

但蛋白質比物理要復雜，我們的圖神經(jīng)網(wǎng)絡是模擬氨基酸之間相互作用，通過圖神經(jīng)網(wǎng)絡記錄物理過程，并不是真實的物理過程，而是盡量接近物理過程，理解物理問題。

所以，我認為繼續(xù)過程對force filed和simulation，可能會產(chǎn)生比較大的應用價值，但在蛋白質上可能需要很長時間理解，開發(fā)更好的工具。

卜東波：做模擬前會有一個很大的障礙，就是我們目前還沒有標準答案。

剛才許東教授介紹的真實物理過程，因為折疊太快，現(xiàn)在還無法可以知道折疊中間態(tài)，而即使是使用深度學習，我們也首先需要具備標簽和正確答案。

和simulation相比，蛋白質結構預測有X-ray、冷凍電鏡做的結構作為標準答案，所以更加容易，但折疊過程，沒有真實物理過程做標準答案，對AI訓練和驗證都是非常大的阻礙。

黃昆（主持人）：聯(lián)想起二十年前structure genomics project（結構基因組學項目）的無果而終，AlphaFold2數(shù)據(jù)庫會不會成為一個科技泡沫？

張陽：“科技泡沫”是個值得注意的現(xiàn)象，很多科學熱點開始被人們寄予厚望，最終發(fā)現(xiàn)是一場泡沫，這樣的例子很多很多。

回答這個問題之前，我先介紹一下AlphaFold2數(shù)據(jù)庫。

上個月，Deepmind接連在Nature上發(fā)表了兩篇論文：第一篇論文，關于AlphaFold2的算法，這是很重要的一篇論文；

第二篇論文，把AlphaFold2程序應用到人體基因組，把人體基因組表達的所有蛋白質結構，都用AlphaFold2預測出來。

DeepMind接下來計劃把這項工作推廣到其它20種關鍵生物體中，把目前已知的1億多條蛋白質結構都預測出來，構建成一個數(shù)據(jù)庫，和全球科學家免費共享。

他們設想有了這個數(shù)據(jù)庫之后，生物學家只要有新蛋白質就可以立馬找到，并利用AlphaFold2預測結構。

這個成績對于外行來說，可能特別激動人心，甚至DeepMindCEO也表示，這將是他科研生涯最重要的一項成就。

但我認為第二篇Nature論文，以及結構數(shù)據(jù)庫概念，對生物醫(yī)學的影響會遠遠小于第一篇AlphaFold2算法論文。

第一，基因組結構預測數(shù)據(jù)庫想法并不新穎。AlphaFold2之前，就有很多人做基因組蛋白質結構預測數(shù)據(jù)庫。

其中最知名的就是Andrej Sali教授的ModBase結構數(shù)據(jù)庫，他們對UniProt里600萬序列都作了結構預測，包含3000萬個結構模型；其次還有Torsten Schwede教授的Swiss-Model數(shù)據(jù)庫，里面包含200多萬結構模型。

此外，Jeffrey Skolnick教授和我在15年前，也建立了一個人體基因所有G蛋白受體(GPCR)的結構模型數(shù)據(jù)庫。

以上這些數(shù)據(jù)庫現(xiàn)在大家還都在引用，但他們的影響力遠不及后來組建的在線服務器。

所以我認為，與傳統(tǒng)結構數(shù)據(jù)庫相比，AlphaFold2數(shù)據(jù)庫的實際亮點應該是精度，特別是對非同源序列的精度，是目前為止最為精確的結構模型數(shù)據(jù)庫。

此外，AlphaFold2數(shù)據(jù)庫也有幾個重要的局限：

第一，提供的只是預測結果，這些模型有效性，最終還需要實驗驗證和支持；

第二，很多蛋白質都會發(fā)生變異，而且因為翻譯、修飾原因，給定一個未知蛋白，很少能在現(xiàn)有數(shù)據(jù)庫，找到一模一樣的序列。

因此，很多生物學家可能還會依賴在線服務器，來提供高精度蛋白質結構預測。

第三，AlphaFold2數(shù)據(jù)庫不能提供功能性注解，雖然能提供三維結構預測，但它不能告訴蛋白質在細胞里做什么，而對蛋白質進行功能性注解，其實是結構生物學家解析蛋白質結構的最主要價值。

接下來，再談談20年前的知名項目——Structural Genomics，這個項目和現(xiàn)在AlphaFold2數(shù)據(jù)庫有一些共同之處。

大家當時做蛋白質結構預測主要通過同源建模：對于未知蛋白質，如果和它同源的蛋白質結構被實驗解出來，那就可以用同源建模方法，構建非常精確的模型。

但這種方法，當時面臨一個問題，很多蛋白質沒有并同源實驗結構。

所以Structural Genomics項目，就是把計算機同源模建和結構生物學實驗技術結合，把所有基因數(shù)據(jù)庫結構確定下來。

為了解決這個問題，人們已經(jīng)把自然界發(fā)現(xiàn)的蛋白質序列，按照進化關系分成很多同源家族。對于一個家族，只要一個成員結構已知，該家族其他成員結構也都可以通過同源建模確定。

所以這個項目計劃：第一，找出哪些家族未知；第二，每個家族挑出一個成員，用結構生物學實驗將它結構解析出來。

如果這個想法實現(xiàn)，那今后10年或20年內(nèi)，所有人體包括自然界蛋白質結構，都可以用同源建模方法預測出來，這在當時是個很激動人心的想法，最早提出是上個世紀末，開始實現(xiàn)是2000年。

當時NIGMS（美國國家衛(wèi)生院的基礎醫(yī)學研究所）在資金比較緊缺情況下，第一個五年計劃就投資了2.7億美元建Protein Structure Initiative（PSI）。2005年，又追加了3.25億美元，總投資7.6億美元左右。

但最終結果并不理想。許多蛋白質雖然把結構解出來，但沒有功能性研究，相關論文也沒辦法發(fā)表，一般結構生物學論文，雖然都解結構，但更重要是從結構里學生物知識。

所以2010年以后，這個項目就失去了意義，到2015年正式項目終止。

新一代學生甚至有很多都不知道Structure Genomics這個項目的存在，很大程度上來看，2000年的一個美好愿景，最后變成了一場泡沫。

盡管現(xiàn)在媒體大量宣傳AlphaFold2結構數(shù)據(jù)庫，最終會對這個領域產(chǎn)生多大影響，我個人還是持謹慎態(tài)度。

許東：我補充一點，泡沫可能有兩個層面。

第一，投資得不到回報，前期政府投了很多錢，最終產(chǎn)出遠不盡人意，這是一種泡沫，但這個問題目前還不存在。

因為除了DeepMind，還沒有其他小公司去投入大量精力，做這個模型，而且也沒有人表示，要去PK DeepMind。

第二種泡沫，未來的預期遠高于結果。大家仔細讀讀DeepMind的文章，他們把哪些預測準，或不準都已經(jīng)寫出來了。

但現(xiàn)在很多人的預期有一些超前了，認為AlphaFold2對所有蛋白、所有情況都預測很準，這可能還需要交流，但我覺得這不會導致資源大量浪費的那種泡沫。

許錦波：我補充一點，結構基因組學不是完全浪費，它給我們提供了大量訓練數(shù)據(jù)，不然就沒有這些機器學習模型。

首先，要感謝產(chǎn)生結構數(shù)據(jù)的實驗生物學家，還有做大規(guī)模基因測序的學者，他們產(chǎn)生了大量數(shù)據(jù)，加快了研發(fā)速度。

結構預測現(xiàn)在宣傳有一些過頭，其實還有很多問題都沒有解決。一些生物學家，仔細分析了現(xiàn)在的結構預測結果也都很失望，因為有些結構預測結果還是一團亂麻，達不到生物學的要求。

黃昆（主持人）：如果想實現(xiàn)復現(xiàn)訓練，Alpha fold2的35萬高質性回爐準樣序列，以及MSA和template準備訓練集，千萬元量級算力，會不會是一個很高的門檻？

許東：這肯定是一個大工程問題。

把模型訓練到極致需要一個很強大的團隊，DeepMind這篇文章，第一作者就將近20人。他們的人力并非小實驗室，或一般學術實驗室能夠比擬。

而且他們在算力和數(shù)據(jù)等各方面，也要比一般學術實驗室強很多。不僅是Alpha fold2，各種大工程問題都需要大研究所或大公司。

所以我覺得，Alphafold2的問題現(xiàn)在已經(jīng)做到一定量級，小實驗室不應該想著如何在數(shù)據(jù)打敗他們，更應該尋找新創(chuàng)新點。

而且并非Alphafold2后，就沒有事情可做，也并非大家都要和Alpha fold在算力和大數(shù)據(jù)方面死磕。

張陽：我再列舉一個具體案例。我們許多人都已經(jīng)知道AlphFold2的算法，拿到了源代碼，但大家如果真復現(xiàn)它的成績，往往會面臨很嚴重算力問題。

Alphafold2用了128個頂級GPU，并行訓練了7天，才達到這個模擬精度，但大多數(shù)實驗室都沒有這樣的算力，甚至很多實驗室一個GPU都沒有。

如果全部在一個GPU訓練Alpha fold2就需要1000天，而且還是在已知答案前提下，不包括很多試錯、調參、測試時間。

模型開發(fā)真正耗費算力就是反復試錯和不斷探索過程，這個過程往往需要單個訓練幾百到上千倍的時間，相當于在黑暗當中探索。

所以對Alphafold2這樣成績的復現(xiàn)，將是一個巨大的算力考驗。任何一家學術實驗室都很難完成這樣的大規(guī)模數(shù)據(jù)訓練、測試，所以在硬件要求上門檻很高。

黃昆（主持人）：AlphaFold2用來預測Loop區(qū)域有多大的可信度？

張陽：單獨來講，Loop區(qū)域本身并沒有很穩(wěn)定的結構，它的構型依賴于與周邊結構的相互作用。

所以，Loop結構預測精度很大程度依賴于，其它有規(guī)則二級機構區(qū)域模型的精度，其中就包括Loop兩端距離是否適合等因素。

目前，AlphaFold2的loop精度應該比其它算法精度高一些，但這是因為它們在有規(guī)則二級機構的核心區(qū)域預測精度比較高。當把中心骨架結構都預測好之后，再把Loop搭起來，精度就會比較好一些。

黃昆（主持人）：請問各位專家團隊后續(xù)有什么樣的計劃？是否會繼續(xù)提升現(xiàn)有模型的蛋白質預測精度？還是會借助AlphaFold2在其他方向做突破？

許東：我過去做了十幾年蛋白質結構核心開發(fā)，從2012年開始，我就集中在深度學習在生物信息學中應用。

我們后續(xù)的計劃主要有三方面：

第一，蛋白相互作用，例如蛋白對接，怎么利用深度學習選擇更好的對接結構，相關文章目前已經(jīng)出來，后面還要用更好的方式把蛋白相互作用預測出來。

第二，免疫和疫苗設計，這些方面有很大意義，我們在做單細胞數(shù)據(jù)的時候，能看到抗原決定部位上不同氨基酸，也能看到抗原上不同多肽序列在結構上怎么去發(fā)揮作用。怎么設計更好的疫苗，將是我們接下來的工作。

第三，用醫(yī)學方法來提取動力學信息，更好表示出分子動力學的不同模式。

除了蛋白結構相關，我們還會做機器學習在單細胞數(shù)據(jù)應用，例如，受體與配體相互作用，在單細胞層面或空間層面，通過結構方式理解單細胞數(shù)據(jù)。

張陽：我們目前主要是想做和蛋白質結構相關的兩件事：

第一，把深度學習推廣到蛋白-蛋白復合體結構預測，這個問題比單鏈蛋白質結構預測更復雜，從功能注解來講也更重要。

第二，把深度學習和結構生物學技術相結合，建立一種大標度利用低精度實驗數(shù)據(jù)，快速確定高精度蛋白結構的計算方法。

傳統(tǒng)的NMR和X-ray，以及現(xiàn)在的cryo-EM，對實驗精度有很多限制，很多實驗數(shù)據(jù)雖然已經(jīng)產(chǎn)生，但三維結構并沒有解析出來。有些實驗數(shù)據(jù)輔助的結構預測，往往比單純基于序列結構預測要精確很多，而且又可以幫助傳統(tǒng)結構生物學實驗快速確定結構。目前，這個問題并沒有引起足夠重視，是一個很重要的研究方向。

卜東波：剛才談到的AlphaFold2是三合一。我們目前獨立做的ProFOLD就是把前兩個結合到一起，后面從距離構建結構還是獨立的，現(xiàn)在我們逐漸開始把后面補齊。此外，我們也在嘗試復現(xiàn)AlphaFold2的過程。

關于將來的方向，我覺得有三點：

第一，單序列預測，我非常贊同錦波教授的意見，在生物體內(nèi)部，蛋白從轉錄到翻譯都不參考MSA，折疊過程是非常重要的理論性問題。

AlphaFold2論文中也明確說MSA條數(shù)少于30條時預測不是特別準，所以我覺得可以嘗試做單序列預測。

第二，糖蛋白預測，剛才許東老師談過很多蛋白都有糖基化，尤其是新冠病毒的S蛋白上有22個N糖的糖基化位點。

目前，我們已經(jīng)和生物物理所合作開展了一些濕實驗，這些糖非常大，有顯著的空間位阻效應，有些位點長糖之后，就會導致蛋白質結構和ACE2結合位點變化特別大；而且SPR實驗顯示，他們的結合能變化也非常大。

還有很關鍵一點，用冷凍電鏡測結構時，事先要把糖弄掉，因為糖會導致信號非常不穩(wěn)定，做糖蛋白結構很重要，我們和生物物理所實驗也會做結構預測。

第三，蛋白質設計，例如張海倉教授和寒武紀公司合作的ProDESIGN項目。

黃昆（主持人）：謝謝各位，我自己不是做蛋白結構領域的，但我現(xiàn)在非常期待怎樣把新結果應用在其中。例如直接做突變功能預測，突變對結構影響預測都比較感興趣，雖然不一定100%都準確，但比現(xiàn)有一些結構數(shù)據(jù)或預測數(shù)據(jù)庫要準確很多。

接下來，怎么樣利用數(shù)據(jù)和其它數(shù)據(jù)結合在一起，例如和其他基因表達、蛋白表達數(shù)據(jù)結合在一起做系統(tǒng)生物學模型，尤其對疾病進行預測都是我們很關注的重點。今天非常感謝4位嘉賓做的精彩點評，同時也謝謝各位聽眾。雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。