谷歌DeepMind團(tuán)隊(duì)研發(fā)的阿爾法折疊2（AlphaFold2）使用最新的人工智能算法對蛋白質(zhì)結(jié)構(gòu)實(shí)現(xiàn)了接近實(shí)驗(yàn)精度的精準(zhǔn)預(yù)測。復(fù)旦大學(xué)復(fù)雜體系多尺度研究院教授馬劍鵬團(tuán)隊(duì)與上海人工智能實(shí)驗(yàn)室合作，近日在國際知名刊物《生物信息學(xué)簡報》上發(fā)表論文，顯示其蛋白質(zhì)側(cè)鏈預(yù)測算法（OPUS-Rota4算法）精度顯著超越了谷歌團(tuán)隊(duì)的阿爾法折疊算法。

　　在目前阿爾法折疊算法開源的情況下，復(fù)旦團(tuán)隊(duì)的算法可以為任何蛋白質(zhì)結(jié)構(gòu)預(yù)測工作提供比阿爾法折疊更準(zhǔn)確的側(cè)鏈模型，從而為蛋白質(zhì)結(jié)構(gòu)研究，尤其是基于蛋白質(zhì)結(jié)構(gòu)的新藥設(shè)計工作提供了助力。

　　蛋白質(zhì)三維結(jié)構(gòu)由主鏈和側(cè)鏈共同搭建而成，人工智能系統(tǒng)預(yù)測蛋白質(zhì)結(jié)構(gòu)的通常步驟，是先為蛋白質(zhì)主鏈建模，再根據(jù)主鏈的構(gòu)象為側(cè)鏈建模。自然界中的蛋白質(zhì)含有20種氨基酸，它們的主鏈幾乎完全相同，而側(cè)鏈差異很大。由于藥物分子與人體蛋白質(zhì)結(jié)合的位點(diǎn)絕大多數(shù)在氨基酸側(cè)鏈上，因此人工智能系統(tǒng)對側(cè)鏈的精準(zhǔn)預(yù)測對新藥研發(fā)具有重要價值。這種精準(zhǔn)預(yù)測能力還可用于解釋基因點(diǎn)突變、基因小片段突變的機(jī)制，為遺傳性疾病研究和治療提供寶貴思路。

　　近年來的研究中，研究人員開發(fā)的側(cè)鏈建模算法大多基于抽樣，如SCWRL4、OPUS-Rota3等。其從離散的側(cè)鏈二面角轉(zhuǎn)子庫中進(jìn)行抽樣，隨后根據(jù)一系列能量函數(shù)進(jìn)行優(yōu)化，找到能夠讓能量最低的二面角轉(zhuǎn)子即為最終結(jié)果。基于抽樣的側(cè)鏈建模算法的優(yōu)點(diǎn)是速度較快，但由于使用離散的轉(zhuǎn)子并受限于能量函數(shù)的準(zhǔn)確性，其整體側(cè)鏈預(yù)測精度仍然有待提高。

　　OPUS-Rota4引入深度學(xué)習(xí)算法，使得蛋白質(zhì)側(cè)鏈建模精度得到了大幅提升。研究人員首先使用OPUS-RotaNN2結(jié)合多種不同的提取特征得到初始的側(cè)鏈二面角預(yù)測結(jié)果，之后使用OPUS-RotaCM得到側(cè)鏈原子接觸圖，最后使用其自主研發(fā)的建模框架OPUS-Fold2根據(jù)接觸圖對初始側(cè)鏈二面角預(yù)測結(jié)果進(jìn)行優(yōu)化并輸出最終結(jié)果。

　　團(tuán)隊(duì)研究人員表示，將會對蛋白質(zhì)側(cè)鏈建模進(jìn)行進(jìn)一步研究，以期繼續(xù)提升準(zhǔn)確率，并將對側(cè)鏈建模在實(shí)際問題中的應(yīng)用進(jìn)行探索。

　　谷歌DeepMind團(tuán)隊(duì)研發(fā)的阿爾法折疊2（AlphaFold2）使用最新的人工智能算法對蛋白質(zhì)結(jié)構(gòu)實(shí)現(xiàn)了接近實(shí)驗(yàn)精度的精準(zhǔn)預(yù)測。復(fù)旦大學(xué)復(fù)雜體系多尺度研究院教授馬劍鵬團(tuán)隊(duì)與上海人工智能實(shí)驗(yàn)室合作，近日在國際知名刊物《生物信息學(xué)簡報》上發(fā)表論文，顯示其蛋白質(zhì)側(cè)鏈預(yù)測算法（OPUS-Rota4算法）精度顯著超越了谷歌團(tuán)隊(duì)的阿爾法折疊算法。

　　在目前阿爾法折疊算法開源的情況下，復(fù)旦團(tuán)隊(duì)的算法可以為任何蛋白質(zhì)結(jié)構(gòu)預(yù)測工作提供比阿爾法折疊更準(zhǔn)確的側(cè)鏈模型，從而為蛋白質(zhì)結(jié)構(gòu)研究，尤其是基于蛋白質(zhì)結(jié)構(gòu)的新藥設(shè)計工作提供了助力。

　　蛋白質(zhì)三維結(jié)構(gòu)由主鏈和側(cè)鏈共同搭建而成，人工智能系統(tǒng)預(yù)測蛋白質(zhì)結(jié)構(gòu)的通常步驟，是先為蛋白質(zhì)主鏈建模，再根據(jù)主鏈的構(gòu)象為側(cè)鏈建模。自然界中的蛋白質(zhì)含有20種氨基酸，它們的主鏈幾乎完全相同，而側(cè)鏈差異很大。由于藥物分子與人體蛋白質(zhì)結(jié)合的位點(diǎn)絕大多數(shù)在氨基酸側(cè)鏈上，因此人工智能系統(tǒng)對側(cè)鏈的精準(zhǔn)預(yù)測對新藥研發(fā)具有重要價值。這種精準(zhǔn)預(yù)測能力還可用于解釋基因點(diǎn)突變、基因小片段突變的機(jī)制，為遺傳性疾病研究和治療提供寶貴思路。

　　近年來的研究中，研究人員開發(fā)的側(cè)鏈建模算法大多基于抽樣，如SCWRL4、OPUS-Rota3等。其從離散的側(cè)鏈二面角轉(zhuǎn)子庫中進(jìn)行抽樣，隨后根據(jù)一系列能量函數(shù)進(jìn)行優(yōu)化，找到能夠讓能量最低的二面角轉(zhuǎn)子即為最終結(jié)果。基于抽樣的側(cè)鏈建模算法的優(yōu)點(diǎn)是速度較快，但由于使用離散的轉(zhuǎn)子并受限于能量函數(shù)的準(zhǔn)確性，其整體側(cè)鏈預(yù)測精度仍然有待提高。

　　OPUS-Rota4引入深度學(xué)習(xí)算法，使得蛋白質(zhì)側(cè)鏈建模精度得到了大幅提升。研究人員首先使用OPUS-RotaNN2結(jié)合多種不同的提取特征得到初始的側(cè)鏈二面角預(yù)測結(jié)果，之后使用OPUS-RotaCM得到側(cè)鏈原子接觸圖，最后使用其自主研發(fā)的建模框架OPUS-Fold2根據(jù)接觸圖對初始側(cè)鏈二面角預(yù)測結(jié)果進(jìn)行優(yōu)化并輸出最終結(jié)果。

　　團(tuán)隊(duì)研究人員表示，將會對蛋白質(zhì)側(cè)鏈建模進(jìn)行進(jìn)一步研究，以期繼續(xù)提升準(zhǔn)確率，并將對側(cè)鏈建模在實(shí)際問題中的應(yīng)用進(jìn)行探索。