0
| 本文作者： 李雨晨 | 2020-12-16 10:34 |
盡管，距離Deepmind公司AlphaFold2的橫空出世，已經(jīng)過去了兩周的時間，但是圍繞AlphaFold2的討論熱度依然不減。
AlphaFold2是否是完美無缺，如果不是，它的“勝利”具體體現(xiàn)在哪些項目上？AlphaFold2對結(jié)構(gòu)生物學(xué)的影響有哪些，哪些方向能受益而加速突破？哪些方向會受到影響而淡出？學(xué)術(shù)研究者與企業(yè)工程人員該如何分工，進一步實現(xiàn)“產(chǎn)學(xué)融合”的高效轉(zhuǎn)化？
關(guān)于AlphaFold2，太多的問題需要解答。
近日，主題為“權(quán)威專家談AlphaFold：DeepMind到底突破了什么？”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(xué)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(xué)醫(yī)學(xué)院副院長、AIMBE Fellow黃昆教授擔任主持，密蘇里大學(xué)教授、AAAS/AIMBE Fellow許東教授、密歇根大學(xué)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(shù)研究所、斯隆獎得主許錦波教授共同參與討論。
圖像計算與數(shù)字醫(yī)學(xué)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(xué)中的一些重要的理論、算法與應(yīng)用問題進行學(xué)術(shù)討論，旨在促進電子信息（包括計算機、自動化與生物醫(yī)學(xué)工程）、數(shù)學(xué)和醫(yī)學(xué)等領(lǐng)域?qū)W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。
在今年的ISICDM 2020上， “計算解剖學(xué)”創(chuàng)始人的Michael I.Miller教授，新加坡國家科學(xué)院院士、發(fā)展中國家科學(xué)院院士沈佐偉教授、瑞士工程科學(xué)院院士Michael Unser教授、美國國家發(fā)明家科學(xué)院院士王革教授等數(shù)十位嘉賓分別進行了主題演講。
黃昆：說到蛋白質(zhì)結(jié)構(gòu)，了解其結(jié)構(gòu)不僅是為了了解它，還會將其應(yīng)用于制藥。這就牽扯到蛋白和藥物之間的交互作用。同時，蛋白的結(jié)構(gòu)并非一成不變，是一個動力學(xué)過程。
那么，AlphaFold2能否擴展到分子動力學(xué)MDS領(lǐng)域？能否應(yīng)用于蛋白-配體相互作用/對接，蛋白質(zhì)-蛋白質(zhì)相互作用？能否應(yīng)用于蛋白質(zhì)設(shè)計呢？
許東：在蛋白設(shè)計方面，AlphagoFold2能夠比較直接地應(yīng)用。之前應(yīng)用不同序列設(shè)計出新結(jié)構(gòu)的方法，可能不用改太多就可以完成。
蛋白設(shè)計的大部分難點不在結(jié)構(gòu)上，而是在生物上。
第二，蛋白的相互作用，我認為這一方面的應(yīng)用不會特別理想。其中一個原因是，蛋白相互作用的數(shù)據(jù)遠遠少于蛋白結(jié)構(gòu)本身的數(shù)據(jù)，因此，對于機器學(xué)習來說挑戰(zhàn)性很大。
事實上，這個問題和蛋白結(jié)構(gòu)本身是很不一樣的問題。目前我們組何飛博士和我們系的段曄教授正在進行合作，用圖卷積、圖像處理、點云等方法來探索蛋白相互作用，這個問題在短期內(nèi)難以解決。
更困難的是分子動力學(xué)問題，這就是顏寧教授所提到的。
我在讀博時，導(dǎo)師讓我研究如何對分子動力學(xué)做的非?？?，能夠更大尺度迭代。這個問題花費了我大量時間，但是沒有成功。
機器學(xué)習解決分子動力學(xué)的問題離我們非常遙遠，我們也進行了一些簡單的探索。吉林大學(xué)韓葳葳教授組一個訪問學(xué)生朱鏡璇與我們組的王玨鑫博士目前進行了一些工作，用這些所謂Neural relational inference——一種圖神經(jīng)網(wǎng)絡(luò)的方式，進行了分子動力學(xué)過程的模擬實驗。
我們可以看到，所謂長程作用的變構(gòu)效應(yīng)是能夠被預(yù)測的，但是這離分子動力學(xué)大幅度加速還差得很遠，不過通過這個過程，
我們發(fā)現(xiàn)傳統(tǒng)動力學(xué)背后的驅(qū)動變量數(shù)維度很低。因此，我們認為從理論上來說大幅度加速是有可能的，但是需要很漫長的道路去探索。
黃昆：下一個問題，關(guān)于對結(jié)構(gòu)生物學(xué)的影響 ，哪些方向能受益而加速突破？哪些方向會受影響而淡出？結(jié)構(gòu)生物學(xué)的研究能夠怎樣幫助AlphaFold2改進？我們想請許錦波教授來評論一下。
許錦波：用計算的方法來做蛋白質(zhì)結(jié)構(gòu)預(yù)測，我覺得影響會越來越大。拿解結(jié)構(gòu)來說，我不認為解結(jié)構(gòu)的人在未來會被拋棄?，F(xiàn)在來預(yù)測的數(shù)據(jù)相對來說比較簡單，比如預(yù)測單鏈。但是單鏈有時候也無法準確預(yù)測，目前僅有60%的預(yù)測比較好。但如果僅僅簡單的解結(jié)構(gòu)，以后可以直接用軟件去解決。
同時，AlphaFold2可以用來提高效率，便于研究者專注于研究結(jié)構(gòu)、功能。做單鏈的蛋白質(zhì)結(jié)構(gòu)預(yù)測，這方面的人會變少。
但是軟件不是萬能的，很多問題依舊無法用軟件解決，畢竟還有40%的蛋白質(zhì)的結(jié)構(gòu)預(yù)測不是非常準確。 且現(xiàn)在效率也存在問題。當下，我們還不明確AlphaFold2如何處理數(shù)據(jù)，會不會開源等，目前看來可能性不大。所以，至少在學(xué)術(shù)界需要一個與之相競爭的軟件，不能壟斷。
因此，在結(jié)構(gòu)預(yù)測這個方向，目前還有許多問題值得研究，并不會造成所有人失業(yè)。
當然，可能會有較多的人轉(zhuǎn)向其他相關(guān)問題的研究。就拿計算結(jié)構(gòu)生物學(xué)來說，可研究的問題還是很多，比如說兩個蛋白、多個蛋白如何結(jié)合、蛋白質(zhì)配體相互作用、蛋白質(zhì)制藥等發(fā)展比較快。因為能比較準確地拿到結(jié)構(gòu)，這些方向的未來發(fā)展會比較快。
另一方面，解結(jié)構(gòu)的人對我們從事計算研究的人員信任程度也會提升，以前我們做出來的結(jié)構(gòu)可能對其他研究人員來說用處不大，但是軟件質(zhì)量提升后，他們會慢慢喜歡用我們這些軟件預(yù)測出來的數(shù)據(jù)，便于他們研究蛋白質(zhì)及功能。
張陽：我覺得AlphaFold2的成功，并不會讓很多人轉(zhuǎn)行或者受影響而淡出。
它的成功首先會刺激和促進蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域整體精度的提高。對結(jié)構(gòu)生物學(xué)來講，高精度的蛋白質(zhì)結(jié)構(gòu)預(yù)測會幫助很多結(jié)構(gòu)生物學(xué)家更快更好地開展他們的研究工作。
比如X光衍射實驗，這個實驗很重要的一步是做分子置換來確定X光衍射的相位，而成功的分子置換要求有精確的初始結(jié)構(gòu)模型。如果計算機能夠快速準確預(yù)測蛋白質(zhì)地初始模型，這會大大提高X光衍射實驗的效率。
對于冷凍電鏡的實驗，好的初始模型有利于蛋白質(zhì)構(gòu)型和電子密度圖的正確疊加，因而有利于下一步地蛋白結(jié)構(gòu)的優(yōu)化。從這些方面來講，精確地結(jié)構(gòu)預(yù)測對結(jié)構(gòu)生物學(xué)不是一個替代的問題，它們可以相互促進。
好的蛋白質(zhì)結(jié)構(gòu)預(yù)測算法可以大幅度提高傳統(tǒng)結(jié)構(gòu)生物學(xué)實驗的精度和速度。做結(jié)構(gòu)生物學(xué)的科學(xué)家其目的并不只是解結(jié)構(gòu)，他們只是把結(jié)構(gòu)當成工具，來了解蛋白質(zhì)有什么樣的功能、在細胞運行過程中有什么生物學(xué)的意義。
所以從這方面來講，AlphaFold2不可能讓人們失業(yè)，或者淡出自己的行業(yè)。
黃昆：如果AlphaFold2不開源，學(xué)術(shù)界有沒有成立開源組織的計劃？工業(yè)界一些大公司在算法和算力方面都占有絕對優(yōu)勢，那么學(xué)術(shù)研究前進的方向在哪里？對于高校中的AI研究人員有什么建議？對于生物研究人員有什么建議？工業(yè)界一些大公司在算法和算力方面都占有絕對優(yōu)勢，對整個學(xué)術(shù)界的影響會是什么？如何“擺正”學(xué)術(shù)界和工業(yè)界的關(guān)系？
張陽：第一，如果AlphaFold2不開源，學(xué)術(shù)界有沒有成立開源組織的計劃？
按照谷歌以往的慣例（比如alphaGo和alphaFold），我不相信Google DeepMind會分享他們的源代碼，甚至建立共享服務(wù)器。但是，我相信學(xué)術(shù)界很快就會開發(fā)出新的替代品。我說的替代品并不是做一個和谷歌AlphaFold2一模一樣的軟件。雖然谷歌提出了一些新的算法，但是，替代品并不是完全按照谷歌的新算法，可能會出現(xiàn)新的不同地算法來解決同樣的問題。
谷歌的主要貢獻不是算法或者技術(shù)上，我覺得他們這次成功的一個主要貢獻是在于證明蛋白質(zhì)結(jié)構(gòu)預(yù)測這個問題可以解決。
這并不是一個簡單的問題。做過蛋白質(zhì)結(jié)構(gòu)預(yù)測的人都知道，蛋白質(zhì)結(jié)構(gòu)是由序列決定的。但是結(jié)構(gòu)和序列的關(guān)系非常復(fù)雜。有些結(jié)構(gòu)長得非常奇怪，奇怪到你會懷疑這個結(jié)構(gòu)有沒有物理的道理，會不會是大自然的一次巧合的怪胎，或者說會不會是物理學(xué)上的確定唯一的解。
在這次CASP14中，有些蛋白質(zhì)相互纏繞，長的非常奇怪，結(jié)果AlphaFold2都可以正確的預(yù)測---至少在Fold level是正確的。這在概念上是一個重要的突破，一件相當重要的成就。當我們解決一個問題時，預(yù)先知道這個問題有答案和不知道這個問題有答案，那解決的難度是不同的。所以，在這個問題上，谷歌是有貢獻的。
這個貢獻和CASP13有相似的效應(yīng)。CASP13之前，我們很多人都知道深度學(xué)習對蛋白質(zhì)結(jié)構(gòu)預(yù)測有幫助。但是只有在CASP13之后，世界才開始關(guān)注深度學(xué)習對蛋白質(zhì)結(jié)構(gòu)預(yù)測這一領(lǐng)域的影響，這是因為谷歌把這個結(jié)果顯示給大家，讓大家覺得原來機器學(xué)習有如此大的威力。
回到你的問題，我相信學(xué)術(shù)界應(yīng)該很快讓這項技術(shù)開源使用，幫助整體生物醫(yī)學(xué)以及公眾健康研究的發(fā)展。
第二個問題，工業(yè)界一些大公司在算法和算力方面都占有絕對優(yōu)勢，那么學(xué)術(shù)研究前進的方向在哪里？對于高校中的AI研究人員有什么建議？對于生物研究人員有什么建議？
剛才談到，AlphaFold2接近解決了單結(jié)構(gòu)域蛋白質(zhì)結(jié)構(gòu)預(yù)測的問題。但是，這只是問題的一個方面，還有很多未知的問題需要解決。
例如，蛋白質(zhì)折疊的動力學(xué)問題，純粹用深度學(xué)習，目前似乎沒辦法解決，因為我們在PDB庫中看到都是蛋白質(zhì)折疊到最后的穩(wěn)定結(jié)構(gòu)，它不能提供大量的樣本供計算機來學(xué)習蛋白質(zhì)折疊的中間過程。所以,蛋白質(zhì)折疊的物理學(xué)規(guī)律，蛋白質(zhì)和蛋白質(zhì)之間相互作用等等，都是和蛋白質(zhì)結(jié)構(gòu)預(yù)測相關(guān)的，亟待解決的未知問題。
在CASP會議最后一天，DeepMind的CEO Hassabis，提到一個嘗試，我覺得非常有趣。
大家知道，在AlphaGo的圍棋游戲軟件開發(fā)中，他們有兩個版本。第一個版本是通過從人類十幾萬張棋譜學(xué)習怎么下棋，這是和李世石比賽的那個版本。第二個版本叫做AlphaGo Zero，它完全拋棄人類的棋譜，直接從圍棋的規(guī)則出發(fā)進行自我學(xué)習。第二個版本比第一個版本要強很多。
Hassabis提到在準備AlphaFold2的時候，他們也試用了這個想法，試圖不用PDB數(shù)據(jù)庫當中人類解析的結(jié)構(gòu)來學(xué)習蛋白質(zhì)結(jié)構(gòu)預(yù)測，而是從基本的物理規(guī)律出發(fā)進行自我學(xué)習探索。他們似乎取得了一定進展，但是與AlphaFold還有一定距離。
我認為這是非常有意義的嘗試，可能代表下一步的研究發(fā)展方向。這類似于要對AlphaGo Zero輸入圍棋的規(guī)則，我們要對機器學(xué)習網(wǎng)絡(luò)輸入蛋白質(zhì)折疊的物理規(guī)則，但是蛋白質(zhì)折疊的規(guī)則目前尚不明晰。
如果Alphafold Zero能夠做這件事，我們可能就真正學(xué)到了蛋白質(zhì)折疊的物理規(guī)律，這將一個更加令人興奮的成就，遠比現(xiàn)在的AlphaFold2更加令人興奮。
另一方面來講，它甚至可以讓我們預(yù)測出我們原先從未見過的蛋白質(zhì)——這些蛋白質(zhì)的結(jié)構(gòu)不是我們數(shù)據(jù)庫里面已經(jīng)解構(gòu)的，這給人類設(shè)計自然界從來沒有產(chǎn)生過的，全新的蛋白提供重要的可能性。
如果有這樣一個AlphaFold Zero的實現(xiàn)，也會在蛋白質(zhì)設(shè)計或者蛋白質(zhì)藥物設(shè)計領(lǐng)域產(chǎn)生巨大的影響。
您的最后一個問題，工業(yè)界一些大公司在算法和算力方面都占有絕對優(yōu)勢，對整個學(xué)術(shù)界的影響會是什么？如何“擺正”學(xué)術(shù)界和工業(yè)界的關(guān)系？
這是一個重要問題。我覺得工業(yè)界對解決工程問題的確有它獨有的優(yōu)勢，可以集中人力和財力攻關(guān)一件事情。學(xué)術(shù)界是對科學(xué)更加感興趣，就是不僅要知道問題如何解決，還要知道為什么要這樣解決，所謂知其然知其所以然。
就蛋白質(zhì)結(jié)構(gòu)預(yù)測來講，雖然谷歌用深度學(xué)習，’暴力’地解決了這個問題的工程學(xué)方面，但是科學(xué)上未知的問題還很多。
我們都知道，蛋白質(zhì)結(jié)構(gòu)預(yù)測可以分成從頭預(yù)測和同源模型預(yù)測，但是從頭預(yù)測遠沒有基于模板的預(yù)測精準。在早期CASP比賽時，每一次都會有一些科學(xué)家，比如Cornell大學(xué)的Scheraga教授等，堅持不用模板，只用物理的辦法來求解這個問題。當然，他們的成績或許不理想，但我覺得這是一種對科學(xué)的追求精神，值得尊重，這也是學(xué)界解決問題的科學(xué)態(tài)度。
總體來講，我很高興看到谷歌對這個問題的成就。但是學(xué)術(shù)界應(yīng)該放開心態(tài)，接納利用這個成果，來幫助我們解決更重要的科學(xué)上的問題。AlphaFold2并不是末日，而是開始。
許錦波：學(xué)術(shù)界和產(chǎn)業(yè)界的矛盾在計算機系更加普遍，很多計算機系的研究都要落后于大公司。
大公司普遍在人力和資源上要比學(xué)校強很多，大公司可以招聘到很多頂尖人才長時間做研究，而學(xué)校教授團隊都是一些剛剛?cè)腴T的學(xué)生，創(chuàng)新成果產(chǎn)出上學(xué)?，F(xiàn)在總體上落后于大公司。
但學(xué)術(shù)機構(gòu)也不是完全處于下風，深度學(xué)習領(lǐng)域的三巨頭都是來自于學(xué)校，在學(xué)校里堅持做研究，才一點點取得成功。但開端之后，新的模型、新的算法又都是產(chǎn)業(yè)界走在前面，例如DeepMind。現(xiàn)在的機器學(xué)習領(lǐng)域，產(chǎn)業(yè)界影響肯定更大一些。
學(xué)校也有自己的好處，例如思想上比較自由，可以去想、去做風險很高，別人還沒有涉及的純學(xué)術(shù)問題，將許多問題率先從概念角度理清。
我覺得，學(xué)者不應(yīng)該和大公司在產(chǎn)業(yè)上硬碰硬，兩者在科學(xué)研究和產(chǎn)業(yè)轉(zhuǎn)化上應(yīng)該進行互補。
黃昆：這些矛盾和我們AI研究比賽和試驗方向的評價機制也有很大關(guān)系，一味追求準確率就是在和產(chǎn)業(yè)界競爭。另一方面，不考慮算力的情況下進行準確率對比機制，也導(dǎo)致很多有潛力的算法被提早排除。那些新的算法、新的理論在初始階段，算力還有限的情況下，精準度也不高，可能更需要學(xué)術(shù)界去關(guān)注。
許東：工業(yè)界并沒有和學(xué)術(shù)界進行全方面PK。
以我們生物信息學(xué)為例，目前研究的算法問題有成百上千個，里面產(chǎn)業(yè)界只研究和涉及其中的幾個?，F(xiàn)在看到產(chǎn)業(yè)界在蛋白質(zhì)結(jié)構(gòu)預(yù)測這個成果很轟動，但其他像RNA三級結(jié)構(gòu)之類能不能用深度學(xué)習解決的學(xué)術(shù)問題，產(chǎn)業(yè)界還完全沒有涉及。
許多問題并不像蛋白結(jié)構(gòu)這么大，產(chǎn)業(yè)界投入產(chǎn)出比也不明顯，學(xué)術(shù)界做這類問題就非常適合。
黃昆：人工智能對基礎(chǔ)科研的輔助作用，對于中國生物醫(yī)藥產(chǎn)業(yè)的追趕甚至趕超有沒有一定的啟示？
張陽：在醫(yī)藥研發(fā)過程中，前期主要的一部分工作就是找到靶蛋白，之后設(shè)計新的化合物或其他分子來調(diào)節(jié)靶蛋白的功能。其中，了解靶蛋白的原子結(jié)構(gòu)，對靶蛋白地尋找以及新化合物地設(shè)計，都很重要。
比如，我們的蛋白質(zhì)結(jié)構(gòu)預(yù)測軟件I-TASSER就已經(jīng)被多家美國前十的醫(yī)藥公司購買，他們購買I-TASSER地目的，就是用它在預(yù)測各種靶蛋白的空間結(jié)構(gòu)?，F(xiàn)在AlphaFold2在結(jié)構(gòu)預(yù)測方面的巨大進展，應(yīng)該使得醫(yī)藥公司對幾乎所有的靶蛋白都能夠進行比較精確的結(jié)構(gòu)預(yù)測，這是AlphaFold2對藥物產(chǎn)業(yè)的一個直接的影響。
在藥物研發(fā)過程中，另外一個重點就是了解候選藥物分子和靶蛋白的相互作用關(guān)系。這還需要新的AI技術(shù)去突破，可能也是包括谷歌在內(nèi)的產(chǎn)業(yè)界和學(xué)術(shù)界未來研究的新目標。
所以，深度學(xué)習未來肯定會進一步改變傳統(tǒng)藥物的研發(fā)過程，這種改變會是革命性的。
許東：我也簡單舉幾個例子。像癌癥里面的癌細胞蛋白變異，過去這種變異研究都是從序列出發(fā)。未來如果AI在結(jié)構(gòu)預(yù)測的非常準確，就可以用于大規(guī)模的癌細胞蛋白變異預(yù)測，理解癌癥，進行藥物開發(fā)。
其次，小分子藥物設(shè)計，像研發(fā)新冠病毒的小分子藥物，這種病毒蛋白或細菌蛋白，變異往往非常多，AI結(jié)構(gòu)預(yù)測如果也同樣很精準，就能更容易找到新小分子藥物對不同變異都有效果。這些都是很實在的應(yīng)用。
黃昆：一個全新的氨基酸序列，怎樣評判AI預(yù)測的結(jié)構(gòu)是不是靠譜？這種沒有標準答案的新結(jié)構(gòu)是否可以用能量穩(wěn)定性評價質(zhì)量？
許東：這種結(jié)構(gòu)評價主要有兩種情況，第一種是將預(yù)測結(jié)果和真實結(jié)構(gòu)做比對，第二種是不知道結(jié)構(gòu)，評估預(yù)測結(jié)果是否可靠。
第一種情況，現(xiàn)在像GDT打分這種評價方式，還非常粗獷。
我認為終極的評估還需要考慮更多，例如比對分子上的氫鍵是否差異或錯誤，這次的AlphaFold2肯定還達不到試驗要求的高精度要求。其實過去的CASP就很難實現(xiàn)高精度，我覺得這次的分析肯定也不是很透徹。
第二種情況，不知道之前結(jié)果，我覺得DeepMind這次做的還比較好，用Transformer的方式，直接給出一個打分，這非常有價值。
黃昆：利用“分子動力學(xué)+AI”加速模擬和利用“Knowledge+AI”直接預(yù)測結(jié)構(gòu)和活性，這兩種方式哪種更有潛力？
許錦波：我覺得兩種方法并不是對立，更趨向于互補的關(guān)系。
如果只要簡單的預(yù)測分子結(jié)構(gòu)，肯定knowledge+AI更有效，它更適合結(jié)構(gòu)預(yù)測。
但knowledge+AI方法也有短處，本身就是用結(jié)構(gòu)庫里的數(shù)據(jù)訓(xùn)練出來的，而結(jié)構(gòu)庫的大部分結(jié)構(gòu)都是通過X單晶衍射解出的，所以AI預(yù)測肯定會更適用于靜態(tài)結(jié)構(gòu)，動態(tài)結(jié)構(gòu)效果就會比較差。
假如希望研究AI+分子動力學(xué)的方向，可以在動態(tài)結(jié)構(gòu)預(yù)測方向進行嘗試，例如預(yù)測蛋白質(zhì)動態(tài)行為，或者做模擬和代碼的動態(tài)分析。兩種方法都有自己更擅長的方向。
黃昆：以X光衍射成像的經(jīng)驗來看，數(shù)據(jù)的預(yù)處理非常重要，對最后AI訓(xùn)練結(jié)果影響也非常大，那么對端到端的預(yù)測影響有多大？
許錦波：以我的經(jīng)驗來看，數(shù)據(jù)處理是非常重要的，肯定需要花費大量的精力在數(shù)據(jù)庫建設(shè)和完善上。
現(xiàn)在的結(jié)構(gòu)數(shù)據(jù)庫樣本量還比較小，但肯定也需要進行處理。因為里面一部分氨基酸可能沒有坐標、是殘缺的，許多數(shù)據(jù)的來源也不太一樣，包括NMR、冷凍電鏡、 X-ray。
這次AlphaFold就應(yīng)用了一個很大的宏基因數(shù)據(jù)組，需要花很多時間去處理里面的數(shù)據(jù)。因為同源序列就是來自于這些序列數(shù)據(jù)庫，如果預(yù)處理過程中，同源序列都找的不好，肯定會影響最后預(yù)測結(jié)果，端到端的數(shù)據(jù)處理同樣也需要花很多精力和時間。
黃昆：剛才許教授說到，在生物學(xué)里面還有幾百個問題都需要應(yīng)用機器學(xué)習，那么除了這次的蛋白質(zhì)折疊，DeepMind還在布局哪些其他生物技術(shù)方向？
許東：DeepMind這樣的AI技術(shù)在許多生物醫(yī)學(xué)領(lǐng)域都進行了嘗試，然而，應(yīng)用在其他的方向其實并不容易，迄今為止還沒有太多成功案例。
從計算機角度來看，蛋白質(zhì)結(jié)構(gòu)預(yù)測，是一個已經(jīng)被定義非常清楚的問題，雖然復(fù)雜，但還是屬于弱人工智能問題。
而輔助診斷等其他場景，屬于強人工智能問題，對于AI還有很多困難，DeepMind并不是沒有做這些的方向，而僅僅是還沒有取得很大成功。
補充提問：結(jié)構(gòu)只占序列的不到1/1000，今后有了序列很快就可以拿到結(jié)構(gòu)之后，對于依賴蛋白質(zhì)相互作用網(wǎng)絡(luò)的癌癥和中醫(yī)藥等，有什么影響？
許東：我覺得幫助會比較大的。當然用蛋白質(zhì)結(jié)構(gòu)來預(yù)測蛋白質(zhì)相互作用網(wǎng)絡(luò)現(xiàn)在并不靠譜，但不少蛋白之間我們知道它們有相互作用，可以應(yīng)用它們各自的結(jié)構(gòu)做docking，得到相互作用的結(jié)構(gòu)模式，會對促進理解癌癥及其相關(guān)藥物的開發(fā)。
對于中醫(yī)我個人很感興趣，許多中草藥的基因組現(xiàn)在被測序了，但其中絕大多數(shù)蛋白沒有被研究，蛋白質(zhì)結(jié)構(gòu)預(yù)測會幫助我們理解這些蛋白的功能，助力對中草藥的藥理研究。雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
