蛋白質(zhì)結(jié)構(gòu)預測是生命科學領(lǐng)域的一大難題,。近日，來自哈佛大學醫(yī)學院的研究人員提出了一種基于氨基酸序列預測蛋白質(zhì)結(jié)構(gòu)的新方法,，準確率可媲美當前最佳方案,，但預測速度提升了100萬倍。

生命所必需的每一次基礎(chǔ)生物學進展幾乎都是由蛋白質(zhì)帶來的,。蛋白質(zhì)參與創(chuàng)建細胞和組織并保持著它們的形狀,；構(gòu)成維持生命所需化學反應的催化酶；充當分子工廠,、轉(zhuǎn)運工具和馬達,；充當細胞通訊的信號和接收器等等。

蛋白質(zhì)由很多氨基酸長鏈組成,，通過折疊成精確的 3D 結(jié)構(gòu)來完成無數(shù)的任務,，這些結(jié)構(gòu)控制著它們與其它分子互動的方式。蛋白質(zhì)的形狀決定了其功能以及它在疾病中的功能紊亂程度,。闡明蛋白質(zhì)的結(jié)構(gòu)是所有分子生物學的核心,，更是治療患者、拯救生命,、改變生活的醫(yī)學發(fā)展的核心,。

近年來，根據(jù)氨基酸序列預測蛋白質(zhì)折疊結(jié)構(gòu)方面的計算方法已經(jīng)取得了很大進展,。如果能夠充分實現(xiàn),，這些方法可能會改變生物醫(yī)學研究的方方面面,。然而，現(xiàn)在的方法在可測定的蛋白質(zhì)的大小和范圍上是有限的,。

最近,，哈佛大學醫(yī)學院 Blavatnik 研究所系統(tǒng)生物學家 Mohammed AlQuraishi 發(fā)布了一項新的研究,，他根據(jù)氨基酸序列,，利用深度學習實現(xiàn)了任意蛋白質(zhì) 3D 結(jié)構(gòu)的高效預測。在 4 月 17 日的 Cell Systems 期刊中,，Mohammed AlQuraishi 詳細介紹了這種通過計算確定蛋白質(zhì)結(jié)構(gòu)的新方法,，利用該方法實現(xiàn)的準確率可媲美當前最佳方案，但速度提高了 100 萬倍,。

論文：End-to-end differentiable learning of protein structure

論文地址：https://www.biorxiv.org/content/biorxiv/early/2018/08/29/265231.full.pdf

項目地址：https://github.com/aqlaboratory/rgn

原論文表 2：蛋白質(zhì)結(jié)構(gòu)預測方法的訓練和預測速度對比,。

如上所示，AlQuraishi 提出的循環(huán)幾何網(wǎng)絡(luò)在預測速度上快了 6 到 7 個數(shù)量級,。其中上表第一行是目前已經(jīng)建立起來的復雜方法,，這些方法嚴重依賴于模擬和采樣。第二行對應于協(xié)同演化（co-evolution）的方法,，它也會有一個學習過程,。最后一行就是作者提出的一種端到端的可微分方法。

「蛋白質(zhì)折疊是近半個世紀以來生物化學家研究的重要問題之一,，此次提出的方法為解決這一問題提供了全新的思路,，」AlQuraishi 說道?！脯F(xiàn)在我們有了一個探索蛋白質(zhì)折疊的全新方法,，我覺得我們現(xiàn)在的研究不過是冰山一角?！?/p>

AlQuraishi 研究的特點在于,，一名埋頭在哈佛醫(yī)學院和波士頓生物醫(yī)學社區(qū)豐富研究生態(tài)系統(tǒng)中的研究人員，居然能夠在計算機科學最熱門的領(lǐng)域里抗衡谷歌等巨頭,?！狿eter Sorger

說起來簡單

雖然成功率高，但利用物理工具來鑒別蛋白質(zhì)結(jié)構(gòu)的過程既昂貴又耗時,，即使是使用現(xiàn)代技術(shù)（如低溫電子顯微鏡）同樣如此,。因此，絕大多數(shù)蛋白質(zhì)結(jié)構(gòu)以及致病突變對這些結(jié)構(gòu)的影響目前仍是未知的,。

蛋白質(zhì)折疊方式的計算方法有可能大大降低確定蛋白質(zhì)結(jié)構(gòu)的成本和時間,。但經(jīng)過近四十年的不懈努力，這個難題仍未解決,。

可視化模擬 AlQuraishi 的蛋白質(zhì)折疊深度學習方法,。模型通過反復預測某個結(jié)構(gòu)（彩色）并將其預測與真實結(jié)構(gòu)（灰色）對比來實現(xiàn)自訓練,。對數(shù)千種已知蛋白質(zhì)重復此步驟，模型在每次迭代中都會學習并提高自己的準確率,。

蛋白質(zhì)由 20 種不同的氨基酸組成,。這些氨基酸就像字母表中的字母，組合成單詞,、句子,、段落，產(chǎn)生了無數(shù)種可能的文本,。然而,，與字母不同，氨基酸是位于 3D 空間的物理存在,。通常,，蛋白質(zhì)的各個部分在物理上非常接近，但在序列上卻相隔很遠,，因為其氨基酸鏈形成了環(huán),、螺旋、折疊等不同形狀,。

AlQuraishi 表示,，「這個問題引人注目的地方在于它說起來簡單：挑一個序列，想辦法弄清楚它的形狀就可以了,。蛋白質(zhì)從一個非結(jié)構(gòu)化的線開始,，必須呈現(xiàn) 3D 形狀，線可能折疊成的形狀有很多種,。許多蛋白質(zhì)有上千個氨基酸長,，其復雜性遠遠超過人類直覺甚至強大的計算機?！?/p>

做起來難

為了應對這一挑戰(zhàn),，科學家利用氨基酸的特點，即它會在物理法則的約束下相互作用,，從而尋找更具潛力的狀態(tài),。目前最先進的算法通過超級計算機或眾包計算來尋找蛋白質(zhì)結(jié)構(gòu)，它們基本上都是在模擬極其復雜的氨基酸物理相互作用,。為了降低這些方法對大規(guī)模計算的需求,，它們依賴于將新序列映射到預定義的模板，且這些蛋白質(zhì)結(jié)構(gòu)模板都是之前通過實驗確定的,。

其它如 DeepMind 的 AlphaFold 則采用了另一種方法,，它利用深度學習進一步預測蛋白質(zhì)結(jié)構(gòu)。這類方法會分析大量的基因數(shù)據(jù),，其內(nèi)在包含了蛋白質(zhì)的設(shè)計藍圖,，目前受到了極大的關(guān)注,。

AlphaFold 是之前非常受關(guān)注的一項研究，它利用神經(jīng)網(wǎng)絡(luò)來預測氨基酸對之間的距離,，以及連接它們的化學鍵之間的角度,。AlphaFold 參加了 CASP 競賽，它首次參賽就在 98 名參賽者中名列榜首,，準確地從 43 種蛋白質(zhì)中預測出了 25 種蛋白質(zhì)的結(jié)構(gòu),，而同組比賽中獲得第二名的參賽者僅準確預測出了 3 種。

然而,，這些 AI 方法并不能僅基于蛋白質(zhì)的氨基酸序列預測結(jié)構(gòu),。這一點會限制 AlphaFold 等方法的能力,，因為在沒有先驗知識的情況下它們很難決定蛋白質(zhì)結(jié)構(gòu),，其在演化獨特的蛋白質(zhì)或手工設(shè)計新蛋白質(zhì)上能力有限。

針對這些問題,，AlQuraishi 主要從四個核心概念出發(fā)構(gòu)建新的解決方案,。首先我們應該要使用循環(huán)神經(jīng)網(wǎng)絡(luò)編碼蛋白質(zhì)序列；其次通過扭轉(zhuǎn)角度參數(shù)化局部蛋白質(zhì)的結(jié)構(gòu),，從而允許模型在不破壞共價化學性質(zhì)的情況下對各種結(jié)構(gòu)進行推理,；再者，我們還應該通過循環(huán)幾何單元耦合局部蛋白質(zhì)結(jié)構(gòu)和它的全局表征,；最后,，使用一種可微損失函數(shù)來捕捉預測結(jié)構(gòu)與實際結(jié)構(gòu)之間的差別。

端到端的可微分學習

為了開發(fā)新的方法,，AlQuraishi 應用了一種名為端到端的可微分深度學習方法,。本質(zhì)上而言，可微分學習涉及到一種單獨的強力數(shù)學函數(shù)：神經(jīng)網(wǎng)絡(luò),，通過神經(jīng)元的前饋傳播與反向傳播,，可微分學習能逐漸學習到各種「專業(yè)知識」。

神經(jīng)網(wǎng)絡(luò)這種函數(shù)能在極其復雜的特征空間上調(diào)整自身,，以便精確地學習蛋白質(zhì)序列與其結(jié)構(gòu)之間的數(shù)學關(guān)系,。AlQuraishi 就構(gòu)建了一種名為循環(huán)幾何網(wǎng)絡(luò)（Recurrent Geometric Network）的深度學習模型，它側(cè)重建模蛋白質(zhì)折疊的關(guān)鍵特征,。

循環(huán)幾何網(wǎng)絡(luò)

模型輸入一個氨基酸序列和 PSSM（具體位置的評分矩陣）并輸出一個 3D 結(jié)構(gòu),。它由三個階段組成：計算、幾何建模和評估——因此將其稱為循環(huán)幾何網(wǎng)絡(luò)（RGN）,。

第一階段由計算單元組成,，對于每個殘基位置（residue position），計算單元將關(guān)于氨基酸和 PSSM 的信息與來自相鄰單元的信息整合,。通過將這些單元放在循環(huán)雙向拓撲結(jié)構(gòu)中（圖 2）,，對每個殘基的計算整合了從殘基上游和下游一直到 N-和 C-端的信息,，覆蓋了整個蛋白質(zhì)。

原論文圖 2：循環(huán)幾何網(wǎng)絡(luò)主要過程,。

第二階段由幾何單元組成,，該幾何單元輸入給定殘基的扭轉(zhuǎn)角和由其上游的幾何單元產(chǎn)生的部分完成的骨干，并輸出由一個殘基延伸的新骨干,，該骨干被輸入至相鄰的下游單元,。最后的單元輸出蛋白質(zhì)的完整 3D 結(jié)構(gòu)。

在模型訓練期間,，第三階段使用基于距離的均方根誤差（dRMSD）度量來計算預測結(jié)構(gòu)和實驗結(jié)構(gòu)之間的誤差,。dRMSD 首先計算預測結(jié)構(gòu)中所有原子和實驗結(jié)構(gòu)中所有原子的成對距離（分別計算），然后計算這些距離集合之間的均方根,。

如上展示了循環(huán)幾何網(wǎng)絡(luò)模型如何計算氨基酸之間鍵的角度以及這些鍵周圍的旋轉(zhuǎn)角,，獲取這兩個信息就可以采集蛋白質(zhì)結(jié)構(gòu)的幾何形狀。動畫：Mohammed AlQuraishi,。

對于每個氨基酸,，模型預測連接其與相鄰氨基酸的化學鍵最可能的角度。它還預測這些鍵周圍的旋轉(zhuǎn)角,，這影響了蛋白質(zhì)的任何局部在幾何上與整個結(jié)構(gòu)的關(guān)系,。

這個過程會重復進行，每次計算都需要使用和提煉所有其它氨基酸的相對位置信息,。一旦整個結(jié)構(gòu)完成,，模型會將預測結(jié)果與蛋白質(zhì)的「標注真值」結(jié)構(gòu)進行比較，以檢查其預測準確率,。

這整個過程在成千上萬種已知的蛋白質(zhì)中重復進行,，模型在每次迭代中學習并提升其準確率。

新的前景

一旦其模型訓練好,，AlQuraishi 會測試它的預測能力,，它們將該模型與近年來蛋白質(zhì)結(jié)構(gòu)預測關(guān)鍵評估（CASP）的其它方法進行了比較。CASP 是一個年度實驗,，它通過已經(jīng)確定但未公開的蛋白質(zhì)結(jié)構(gòu)測試各種預測方法的能力,。

他發(fā)現(xiàn)在沒有預先設(shè)計的模板時，新模型在預測蛋白質(zhì)結(jié)構(gòu)方面遠遠優(yōu)于其它方法,，包括使用協(xié)同演化數(shù)據(jù)的方法,。當預定義模板可用于預測時，新模型還是優(yōu)于最佳方法之外的其它方法,。

雖然提升并不大,，但這種方法表示了一類新的蛋白質(zhì)折疊預測方法，它與現(xiàn)有的方法是互補的關(guān)系。值得注意的是,，新模型的預測速度比現(xiàn)有計算方法快 6 到 7 個數(shù)量級,。訓練模型可能需要數(shù)月，但一旦訓練完成,，預測新蛋白質(zhì)結(jié)構(gòu)可以在幾毫秒內(nèi)完成,。這種加速在于深度網(wǎng)絡(luò)是一種獨立的數(shù)學函數(shù)，它只需要幾千行代碼而不是數(shù)百萬行代碼就能完成,。

這種極速使得蛋白質(zhì)預測變得更加簡單,，以前無法想象的應用也都會慢慢冒出來。AlQuraishi 表示：「新模型還沒有立即用于新藥開發(fā)或設(shè)計,，因為它的準確度大約在 6 埃（一億分之一厘米）左右,，與解決蛋白質(zhì)原子結(jié)構(gòu)所需的 1 到 2 埃還有一定距離?！?/p>

但是在深度學習快速發(fā)展的今天,，這種方法將越來越強大，例如如何進一步整合化學和物理知識就值得我們認真探討,。也許以后的新藥開發(fā)成本會越來越低,，醫(yī)療費用也會越來越低。