從首個蛋白的一級結(jié)構(gòu)被公布，到如今DeepMind打造的AlphaFold系統(tǒng)開始破解人類蛋白組幾乎所有蛋白的空間結(jié)構(gòu)，已經(jīng)過去了超過70年的時間。AI在結(jié)構(gòu)生物學領(lǐng)域取得的重大突破，不僅提升了我們對蛋白質(zhì)的理解，還將改變我們對幾乎所有生理過程和人類疾病的認識。
撰文 | 石云雷
審校 | 吳非
去年年末，人工智能研究實驗室DeepMind的AlphaFold在國際蛋白質(zhì)結(jié)構(gòu)預(yù)測競賽（CASP）上一騎絕塵，首次將蛋白三維結(jié)構(gòu)預(yù)測的分數(shù)提升至90分。不到8個月后，DeepMind又為生物學界帶來了兩個重磅消息。7月15日，他們在《自然》雜志上發(fā)布了關(guān)于AlphaFold算法的新論文，實現(xiàn)了原子層面上的蛋白質(zhì)結(jié)構(gòu)精確預(yù)測。僅僅一周之后，他們又和歐洲生物信息學研究所（EMBL-EBI）合作發(fā)表了一篇《自然》論文。這次，他們想要完成的是一個更大的目標——破解人類蛋白組中所有蛋白質(zhì)的三維結(jié)構(gòu)。
氨基酸，蛋白質(zhì)
從人類首次解析出構(gòu)成蛋白質(zhì)的氨基酸序列，到如今可以模擬和解析人體蛋白組中絕大多數(shù)蛋白的三維結(jié)果，科學家已努力了超過70年。1949年，英國生物化學家弗雷德里克·桑格（Frederick Sanger）通過水解胰島素，首次確定了組成牛胰島素的氨基酸序列，這也是人類確定的首個蛋白質(zhì)的氨基酸序列。這些氨基酸序列是牛胰島素的一級結(jié)構(gòu)，如果我們只按照這個序列合成胰島素，得到的產(chǎn)物不會有活性。氨基酸序列需要通過數(shù)步折疊過程，形成復(fù)雜的3級結(jié)構(gòu)后，才能成為具有功能的蛋白質(zhì)。
1965年，中國科學家首次解析出胰島素的精確結(jié)構(gòu)，人工合成出了具有活性的胰島素。在人類的蛋白組中，胰島素是一種結(jié)構(gòu)簡單的小型蛋白質(zhì)，它含有兩條肽鏈，有51個氨基酸。對人類等真核生物來說，一個蛋白質(zhì)中平均含有400多個氨基酸殘基，其中絕大部分蛋白質(zhì)的空間結(jié)構(gòu)遠比胰島素復(fù)雜。
人類基因組草圖公布后，科學界對蛋白質(zhì)的研究進入了快車道。經(jīng)過數(shù)十年的努力，研究人員通過解析蛋白質(zhì)的氨基酸序列、提取純凈和高質(zhì)量的蛋白質(zhì)，再加上冷凍電子顯微鏡的應(yīng)用，至今已經(jīng)解析出了超過5萬個人源蛋白質(zhì)的三維結(jié)構(gòu)。無疑，我們獲得蛋白三維結(jié)構(gòu)的速度正在不斷變快。
不過，實驗解析蛋白質(zhì)也受到諸多限制。由于這一過程過于繁瑣，且稍有不慎就無法獲得較好的蛋白質(zhì)空間結(jié)構(gòu)，因此仍有大量人源蛋白質(zhì)結(jié)構(gòu)有待破解。與此同時，一些科學家開始嘗試另一種工具——借助人工智能（AI）技術(shù)來預(yù)測蛋白的空間結(jié)構(gòu)。
1994年，計算生物學家約翰·莫爾特（John Moult）等人創(chuàng)立了CASP比賽，讓AI加入到蛋白質(zhì)三維結(jié)構(gòu)的研究中。不過在此之后的20多年中，各個AI實驗室在這項比賽中的始終缺乏實質(zhì)性突破。直到DeepMind的加入，徹底改變了這一局面。
2020年，DeepMind開發(fā)的一款蛋白質(zhì)三維結(jié)構(gòu)預(yù)測算法“AlphaFold”一舉奪得了當年CASP比賽的最高分（GDT分數(shù)為90分），比第二名的分數(shù)高出了15%。GDT分數(shù)主要用來評估算法預(yù)測三維結(jié)構(gòu)中氨基酸的位置與實際空間結(jié)構(gòu)的差距，分數(shù)越高，預(yù)測越準。當時AlphaFold就像是一枚投在生物學界的炸彈，當時《自然》《科學》等相繼發(fā)文，強調(diào)了這是人工智能的一次重大勝利。
從實驗解析到AI預(yù)測
在細胞中，蛋白質(zhì)的折疊過程需要分子蛋白或輔助蛋白的幫助。而我們能看到的是，一些氨基酸序列通過一系列變化，形成了一個具有三維結(jié)構(gòu)和活性的蛋白質(zhì)。在蛋白質(zhì)中，具有相同特性的氨基酸通過特殊的共價鍵（例如二硫鍵）聚集到一起，形成一些特定的螺旋結(jié)構(gòu)，比化學鍵更加微弱的分子間作用力維系著蛋白質(zhì)的三維結(jié)構(gòu)。
但是，依靠這些理論還遠遠不足以準確預(yù)測蛋白質(zhì)的三維結(jié)構(gòu)，這也是很多參與CASP比賽的算法分數(shù)不高的原因。在今年7月15日一項公布于《自然》的論文中，DeepMind的研究團隊詳細介紹了AlphaFold成功的原因。這一算法采取了多序列比對和一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)，將重點放在一些關(guān)鍵的氨基酸上。此外，這一算法還納入了結(jié)構(gòu)模塊（Structure Module），用于評估預(yù)測的蛋白質(zhì)結(jié)構(gòu)的每個氨基酸殘基與其真實位點的差異。DeepMind的研究團隊還強調(diào)，AlphaFold是首個在不知道相似蛋白的結(jié)構(gòu)時，也可以在原子層面上精確預(yù)測蛋白質(zhì)結(jié)構(gòu)的算法。
昨日，在發(fā)表于《自然》期刊的一項研究中，他們和EMBL-EBI合作利用AlphaFold做出了一項更有突破性和實用性的研究——直接對人類蛋白組中98.5%的蛋白質(zhì)完整三維的結(jié)構(gòu)進行了預(yù)測。根據(jù)他們的估計，雖然蛋白質(zhì)資料庫（PDB）中公布的人源蛋白質(zhì)三維結(jié)構(gòu)占到了目前人類蛋白組的35%，但是很多蛋白質(zhì)的空間結(jié)構(gòu)并不完整。實際上，完整的三維蛋白質(zhì)結(jié)構(gòu)只占17%。#p#分頁標題#e#
類似于CASP比賽中的GDT分數(shù)，研究人員也為AlphaFold設(shè)置了一個可以評估預(yù)測可信度的數(shù)值——pLDDT（每個殘基位點的可信度測評，per-residue confidence metric）。當pLDDT值大于90，表示對蛋白質(zhì)中某個氨基酸殘基位置的預(yù)測具有很高的可信度；當pLDDT值大于70，表明預(yù)測結(jié)果是基本準確的。
在對人體蛋白質(zhì)組三維結(jié)構(gòu)的預(yù)測中，AlphaFold精確預(yù)測了35.7%的氨基酸殘基的位點，基本準確地預(yù)測了58.0%的氨基酸的位點。在蛋白質(zhì)水平上，這一算法也能較為準確地預(yù)測人類蛋白組中43.8%的蛋白質(zhì)至少3/4序列的空間結(jié)構(gòu)。在1290個沒有沒有參考結(jié)構(gòu)的蛋白質(zhì)中，AlphaFold能較為準確預(yù)測每個蛋白中近200個氨基酸殘基的空間結(jié)構(gòu)（pLDDT≥70）。
一種由WFS1基因編碼的蛋白，突變會導(dǎo)致WFS綜合征。（圖片來源于論文）
在這次實驗中，AlphaFold還準確預(yù)測出由于許多和藥物靶點相關(guān)的酶和膜蛋白的三維結(jié)構(gòu)。由于膜蛋白的結(jié)構(gòu)復(fù)雜，一直以來，通過實驗方法來解析這類蛋白的結(jié)構(gòu)都極具挑戰(zhàn)性。除此之外，AlphaFold還能較為準確地預(yù)測出此前沒有接受過訓練或不熟悉的蛋白質(zhì)的三維結(jié)構(gòu)。
除了人源的蛋白質(zhì)，他們還利用AlphaFold對其他20種模式生物（包括小鼠、玉米和瘧原蟲）蛋白組中的蛋白進行了預(yù)測。根據(jù)《自然》官網(wǎng)的消息，這些預(yù)測的蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)已通過EMBL-EBI托管的公用數(shù)據(jù)庫免費向公眾開放，目前有近36.5萬個蛋白質(zhì)結(jié)構(gòu)已在該數(shù)據(jù)庫中發(fā)布，而到今年年底，這一數(shù)值有望增長到1.3億。DeepMind和EMBL-EBI的研究人員強調(diào)，目前這部分工作還只是一個開始。他們想要進一步驗證這些預(yù)測的結(jié)果，更重要的是，將它們應(yīng)用到迄今為止不可能實現(xiàn)的實驗中。
重大意義
近70年來，解析蛋白質(zhì)的空間結(jié)構(gòu)一直是一項極具科學意義的難題。如果基因組是一個“指令官”，那么蛋白質(zhì)就是基因功能的“執(zhí)行者”，可以說蛋白質(zhì)幾乎參與人體內(nèi)所有的生理過程和疾病過程。如果我們能掌握蛋白質(zhì)的精確結(jié)構(gòu)，就像解析了一把精密的鎖的內(nèi)部結(jié)構(gòu)。對于人類來說，也更容易開發(fā)出一把甚至多把能打開這些“鎖”的鑰匙，而這將會改變我們在分子水平上對自身的認知，治療現(xiàn)今絕大多數(shù)的人類疾病。
DeepMind聯(lián)合創(chuàng)始人兼首席執(zhí)行官杰米斯·哈薩比斯（Demis Hassabis）認為，這是人工智能系統(tǒng)迄今為止對推進科學發(fā)展作出的最大貢獻。此外，對于一些AlphaFold無法準確預(yù)測的蛋白結(jié)構(gòu)，一些科學家也發(fā)表了自己的見解。一部分人認為，在人類等真核生物中，相當一部分蛋白質(zhì)區(qū)域本身就是無序的，這或許是為了與其他的蛋白分子相互作用，也可能還有一些我們還不知道的作用。
值得一提的是，在《自然》于上周發(fā)表AlphaFold論文的次日，《科學》雜志也公布了另一項蛋白質(zhì)預(yù)測算法——RoseTTAFold。這個算法由華盛頓大學醫(yī)學院蛋白質(zhì)設(shè)計研究所和哈佛大學、劍橋大學等機構(gòu)聯(lián)合開發(fā)。它采用和AlphaFold2不同的深度學習算法，但具有AlphaFold2可媲美的超高準確率，而且速度更快、對計算機處理能力的需求也較少，能在短短的10分鐘內(nèi)計算出一個蛋白的結(jié)構(gòu)。目前，研究人員正在用這一算法研究一些和人類健康直接相關(guān)的蛋白質(zhì)的結(jié)構(gòu)。
這兩項算法的出現(xiàn)無疑標志著在結(jié)構(gòu)生物學領(lǐng)域，AI的時代已經(jīng)到來。
封面圖來源：PROTEIN DATA BANK
參考鏈接：
https：//www.nature.com/articles/s41586-021-03828-1
https：//www.nature.com/articles/d41586-021-02025-4
https：//www.nature.com/articles/s41586-021-03819-2
本文轉(zhuǎn)自環(huán)球科學