來源：果殼

衆所周知，蛋白質就是一串氨基酸而已。

可是，拿到氨基酸的排列順序，你能猜出它會摺疊出怎樣的三維結構麼？恐怕很難。就算是天天研究蛋白質的科學家們，也被這個問題困擾了50年。

如今有隻AI，能以前所未有的準確率預測蛋白結構。它給出的答案與蛋白質的真實結構之間，大約只差一個原子的寬度：

藍色爲AI預測結果，綠色爲標準答案丨DeepMind

這隻AI名叫AlphaFold，來自谷歌DeepMind，和會下棋的AlphaGo師出同門。它剛剛在蛋白結構預測比賽CASP14上，超越所有對手獲得優勝。

消息發表之後，學界備受鼓舞。AlphaFold的存在，彷彿讓科學家擁有了上帝視角。Nature把馬普所生物學家Andrei Lupas的一句評論當做了新聞標題：它會改變一切。

怎樣的一場比賽

拿到一個氨基酸序列，每隻AI都會給出自己預測的三維結構。

那麼，擁有近100位參賽選手的CASP挑戰賽，是依靠什麼來衡量各位選手的得分？

首先，標準答案是通過低溫電子顯微鏡（Cryo-EM）等等學界標配的實驗方法檢測蛋白質本身，得出的相對精確的三維結構。

然後，對比標答和選手答案之間的相似度，利用的方法叫做Global Distance Test（全球距離測試，簡稱GDT）。GDT滿分爲100，通常只要選手得分超過90，就認爲一道題目做對了。

　GDT評測標準丨DeepMind

把所有題目算在一起，AlphaFold得分的中位數達到了92.4，大約2/3的題目都做對了。這個成績比其他選手高出一大截。

即便在最難的一組題目“自由建模（Free-Modelling Category）”當中，AlphaFold的中位數也有87.0分，比第二名高出25分。

CASP挑戰賽兩年一屆，從1994年開始至今已經舉辦了14屆，大致相當於蛋白結構預測界的奧林匹克。

比賽創辦人之一、馬里蘭大學教授John Moult毫不吝惜對這隻AI的讚美。他說，從某種程度上看，（蛋白結構預測）問題已經解決了。

對於那些AlphaFold預測與標答出現分歧的題目，Moult教授也認爲，並不能確定是AI預測出了差錯，還是實驗室結果本身有問題。

AI是怎樣煉成的

那麼，AlphaFold的工作原理是怎樣的？

DeepMind研究團隊說，一個摺疊的蛋白質可以視爲一張空間圖（Spatial Graph）：構成蛋白質的每個殘基（residue）都是圖中一個節點（node），然後有邊（edge）把距離相近的節點連在一起。

如此一來，過往已知結構的那些蛋白質，都可以用這樣的眼光來看待。在日復一日的訓練之中，AI逐漸熟悉了圖上節點相連的規律。再遇到陌生考題的時候，便可以按照之前摸出的規律，連出一幅新的圖來。

殘基相連的方式預測丨DeepMind

2018年，AlphaFold官宣之初，便拿下了CASP13冠軍。雖然，那時它的得分中位數沒有達到90，也就是總體上沒達到系統判定正確的分數線，卻也遠遠超越了其他選手。

從那時起，歡呼和質疑一併到來了。許多人都擔心，這隻AI用某種人們不知道的方式作了弊。

不過，在一種名叫Orf3a的蛋白質上，AlphaFold證明了自己。加州大學伯克利分校的分子神經生物學家Stephen Brohawn說，AI預測出的蛋白結構，和後來實驗室用低溫電子顯微鏡做出的成像十分接近。

那麼，AI擁有這樣的能力，到底意味着什麼？

影響了誰的工作

大約半個世紀以前，有位名叫克里斯蒂安·安芬森的科學家，在研究RNA酶的時候發現：對一些蛋白質來說，只要環境不變，它的天然結構便只由氨基酸序列決定。

安芬森丨National Institutes of Health

換句話說，給定一個氨基酸序列，理論上就可以預測出蛋白質的三維結構。

安芬森因此獲得了1972年的諾貝爾化學獎。他提出的這條假說也有了個響亮的名號：安芬森原則。

後來的幾十年間，科學家們在預測蛋白結構的路上艱難地前行，希望有朝一日能把“理論上”這幾個字去掉。

畢竟，蛋白質的功能，要靠摺疊成特定的結構才能實現。

而那些設計新藥或者新酶的科學家們，如果能瞭解某種蛋白質的結構，便可以更好地預判某種蛋白質能不能和特定的分子結合，進而帶來他們希望看到的反應。

假如AI能夠準確預測蛋白質的結構，許多科學家的工作（沒有被取代的話）可能都會變得更高效。