AlphaFold技术揭秘----DeepMind如何破解蛋白质折叠预测难题

【GiantPandaCV导语】视频内容主要是关于 DeepMind AlphaFold1 论文的解读，还有根据有限的资料分析了下 AlphaFold2 系统。

视频太长不看版：

视频内容主要是是关于 AlphaFold1 系统的论文解读，还有根据有限的资料猜想了下 AlphaFold2 系统的组成部分，因为 AlphaFold2 的论文目前还没发表，所以目前没办法解读。

视频开篇简要介绍了下蛋白质和氨基酸的相关的知识，还有目前预测蛋白质结构的困难。

蛋白质的功能主要由其3d结构决定，而与组成其成分的氨基酸关系不大。

目前已有的蛋白质结构推断方法是比如 X射线晶体衍射技术，但是这个过程极其复杂而且价格也很昂贵。

所以如果能通过计算机模型，输入氨基酸序列或者DNA序列就能预测出蛋白质的三维结构，那么不仅剩钱也能加速整个研究的进程。

AlphaFold1

先看下两张系统示意图：

系统分为两个阶段，上两个结构示意图中，黄色，绿色和红色的部分表示第一阶段，蓝色表示第二阶段。

第一阶段：

就是一个深度卷积神经网络，主要由残差块组成。输入是关于这个氨基酸链的特征，包含很多种类的特征。输出则包括，氨基酸链中每个氨基酸与其他位置氨基酸的距离预测矩阵，还有扭转的角度等等，但是最重要的是这个距离预测矩阵。

本质上第一阶段要解决的就是一个 image to image 的问题

第二阶段：

首先构建了一个可微分蛋白质几何模型，然后把这个模型的输出与第一阶段网络的预测结果计算loss。再通过单纯的梯度下降回传，修正几何模型中蛋白质的扭转角度，得到新的预测结果，再计算loss，再回传，反复迭代直到稳定之后，就得到了蛋白质的三维结构。

AlphaFold2

根据DeepMind博客的内容， 猜测 AlphaFold2 应该是一个 end2end 的系统，而且卷积网络应该是被 transformer 替代了。

相关资料：

[1]https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology

[2]https://towardsdatascience.com/alphafold-2-explained-a-semi-deep-dive-fa7618c1a7f6

[3]https://github.com/deepmind/deepmind-research/tree/master/alphafold_casp13

[4]https://www.nature.com/articles/s41586-019-1923-7%20