卷起来了！Meta AI用2周时间预测超6亿种蛋白质结构，速度比AlphaFold快60倍

蛋白质结构预测领域又有新发现了。

2022 年 7 月 28 日，DeepMind 的 AlphaFold 工具成功预测出超过 100 万个物种的 2.14 亿个蛋白质结构，几乎涵盖了地球上所有已知的蛋白质。近日，Meta 在这一方向又有新突破：通过 AI 技术成功预测了来自细菌、病毒和其他尚未分类的微生物中，超 6 亿种蛋白质的结构。

Meta AI 蛋白质团队的研究负责人 Alexander Rives 表示：“这些结构来自于我们了解最少的那一部分蛋白质，这些蛋白质太神秘了。我认为这些预测结果能够为生物学的深入研究提供潜力。”

为什么了解和预测蛋白质折叠结构很重要？

蛋白质作为一切生命活动的基础物质，其重要性不言而喻。

事实上，蛋白质是一种复杂的“生物机器”。每一种蛋白质都有其独特的功能：有的负责在机体内运输代谢物质，比如血红蛋白；有的负责加速生物化学反应，比如淀粉酶；有的负责调节新陈代谢，比如胰岛素；有的则直接构成生物机体组织，比如胶原蛋白等。蛋白质之所以能够承担多种多样的功能，很大程度上是因为它们具有丰富而复杂的空间结构。

虽然功能多种多样，但其实所有已知的蛋白质的结构都是由 21 种已知的氨基酸构成的。这些氨基酸当中也只包含碳、氢、氧、氮、硫和硒这六种元素。但是，这些氨基酸在链条上的排列组合、链条的折叠方式，以及最终折叠的结构，决定了蛋白质的最终功能。而蛋白质的 3D 形状或结构决定了它在细胞中的功能。

因此，准确了解蛋白质的结构对于生命科学、环境科学等人类目前面对的重要课题都十分关键。

但在 DeepMind 的 AlphaFold 工具出现以前，人类对地球上的某些蛋白质结构仍知之甚少。而随着 Meta AI 又有新发现，人类对于蛋白质结构乃至生物学，也将有了全新的理解。

基于 150 亿参数语言模型，Meta AI 成功预测超 6 亿种蛋白质结构

据了解，Meta 本次用于预测蛋白质结构的语言模型拥有 150 亿参数，这也是迄今为止最大的蛋白质语言模型。

通常来说，语言模型是基于大量文本来做训练的。为了将这种模型应用于蛋白质预测领域，Meta AI 蛋白质团队的研究负责人 Alexander Rives 和他的同事们为模型输入了已知蛋白质的序列。这些蛋白质可以用由 20 种不同氨基酸组成的链条来表达，每一种氨基酸都用一个字母来表示。然后这个网络就学会了“自动完成”，给它输入一部分氨基酸结构被遮蔽的蛋白质分子，它就能预测出剩余的结构。

Rives 表示，这种训练过程让网络对蛋白质序列有了直观的了解——这些蛋白质序列保存了有关其结构的信息。第二步工作受到了 DeepMind 的 AlphaFold 工具的启发，就是将这些见解与已知蛋白质结构和序列之间关系的信息相结合，从蛋白质序列中生成预测结构。

Meta 将这个网络命名为 ESMFold。据其介绍，ESMFold 虽然预测准确性不如 AlphaFold，但在预测速度上，比 AlphaFold 快了大约 60 倍。

因此，Meta 将结构预测工作扩展到更大的数据库范围内。比如，他们将 ESMFold 应用于来自环境来源（包括土壤、海水、人类肠道、皮肤和其他微生物栖息地）的批量测序“宏基因组”DNA 数据库。这个数据库中，绝大多数编码潜在蛋白质的 DNA 条目来自从未被人工培育过，科学上知之甚少的生物体。

最终，ESMFold 预测了 6.17 亿种蛋白质结构，并且只用了 2 周时间，而 AlphaFold 可能需要几分钟才能生成一个预测。

值得一提的是，这套模型的底层代码是免费开放的，任何人都可以免费使用这些预测结果。

据介绍，在 ESMFold 预测的 6.17 亿种蛋白质结构中，有超过三分之一的结果是高质量的，也就是说，研究人员可以确信整体的蛋白质结构是正确的，并且在某些情况下可以辨别出更精细的原子级细节。

此外，这些结构中有几百万个结果是全新的，与通过实验确定的蛋白质结构数据库，或通过已知生物体预测的 AlphaFold 数据库中的所有内容都不一样。

首尔国立大学的计算生物学家 Martin Steinegger 表示，AlphaFold 数据库的很大一部分蛋白质由几乎相同的结构组成，而“宏基因组”数据库应该包含了很多未知的蛋白质结构。“现在我们有了一个很好的机会来探索更多未知的奥秘。”

不过，也有人对 ESMFold 的预测结果表示质疑。

马萨诸塞州剑桥市哈佛大学的进化生物学家 Sergey Ovchinnikov 认为，有些预测结果可能缺乏明确的参考；而另一些预测结果可能是非编码 DNA，只不过被误认为是蛋白质编码材料了。他表示：“看起来仍有一半以上的蛋白质是我们一无所知的。”