字體：小 中 大 |
|
|
|
| 2022/06/29 20:21:22瀏覽273｜回應0｜推薦2 | |
| 蛋白質折疊難題確實蠻適合用深度學習方法來解決，這已經困擾人類五十年了。DeepMind 認為更精確地判斷蛋白質架構除了能夠加速對已知疾病的了解之外，亦具備探索未知的數億種蛋白質的潛力。
在 2018 年以 AlphaFold 奪下蛋白質結構預測關鍵評估（Critical Assessment of protein Structure Prediction，CASP）所舉辦的全局距離測試（Global Distance Test，GDT）冠軍之後，2020 年再以 AlphaFold 2 創下更高的預測準確率，達到一個原子誤差，確實相當驚人。 蛋白質的功能取決於它的 3D 結構，而其 3D 結構則是來自於氨基酸序列的摺疊方式。1972年的諾貝爾化學獎得主 Christian Anfinsen 曾提出一個假設：理論上從一個蛋白質的氨基酸序列就能判斷其結構。然而，該假設最大的挑戰在於要進入 3D 結構之前，蛋白質的折疊方式將是個天文數字，若要利用蠻力運算，估計有 10^300 種可能性，所耗費的時間可能比已知的宇宙生命還久。 AlphaFold則是直接從結構著手，並不使用已知的蛋白質作為樣本，再利用兩種基於深度神經網路的方法來建構完整蛋白質結構的預測，得以預測氨基酸對之間的距離，以及連結這些氨基酸之化學鍵之間的角度。 AlphaFold 是以含有 17 萬種蛋白質架構的蛋白質資料銀行（Protein Data Bank，PDB）數據，再加上內含未知架構之蛋白質序列的各種大型資料庫來進行訓練，以 128 個 TPUv3 核心（約等於100~200個GPU）執行數周，這樣的運算規模與現代最新大型機器學習模型差不多。 目前 UniProt 蛋白質序列資料庫存放了還在增加中的 1.8 億種蛋白質序列，而 PDB 卻只有 17 萬種蛋白質架構，在尚未被確認的蛋白質中，可能有一些令人興奮的新功能，而 AlphaFold 這類的工具則可協助科學家找到它們。 |
|
| ( 創作｜散文 ) |
