蛋白質(zhì)結(jié)構預測工具AlphaFold2與RoseTTAFold同日開源
圖源：sciencemag.org
撰文 ｜ 馮水寒
責編 ｜ 計永勝
結(jié)構決定功能是自然界的普遍法則。蛋白質(zhì)作為生物大分子，是生物生命活動重要的行使者。因此，蛋白質(zhì)結(jié)構一直是一個令人著迷的話題，引來無數(shù)科學家一次又一次地攻堅。
目前，了解全新蛋白質(zhì)結(jié)構主要有兩種途徑：基于X射線、核磁共振、冷凍電鏡等技術解析晶體；基于氨基酸序列的計算精準預測。相較于前者高昂的儀器、人力成本和復雜的操作要求，后者具有更廣的發(fā)展空間。得益于近些年來計算機性能、人工智能算法的迅猛發(fā)展，計算預測蛋白結(jié)構領域好消息連連。
David Baker教授
早前1998年，華盛頓大學David Baker教授團隊開發(fā)了用于蛋白質(zhì)結(jié)構預測的Rosetta平臺，考慮蛋白質(zhì)穩(wěn)定狀態(tài)能量最低原理和基團間的相互作用，通過計算氨基酸間的互作得分，獲得較為可靠的折疊方式，即蛋白質(zhì)的三維結(jié)構。在此基礎上，該團隊引入分布式計算的思想，于2005年發(fā)布了Rosetta@home，方便用戶將閑置的計算資源用于計算，進而研究目標蛋白質(zhì)潛在的折疊方式。2008年，他們再結(jié)合眾包的思想，開發(fā)了Foldit游戲軟件，對不同玩家折疊出的蛋白質(zhì)結(jié)構進行評分，使得非專業(yè)領域的人員也能夠參與蛋白質(zhì)結(jié)構解析中，一個個蛋白質(zhì)在全世界玩家的合作下被攻克。慢慢地，該團隊了解了蛋白質(zhì)折疊的部分規(guī)律，突破了蛋白設計的難點，開始挑戰(zhàn)全新的蛋白設計合成，近年來成果不斷。
圖1. AlphaFold2原理圖示。圖片來自DeepMind
David Baker團隊在蛋白質(zhì)結(jié)構預測領域高歌猛進，位于大西洋彼岸的英國團隊也沒閑著。英國的人工智能公司DeepMind（于2014年被谷歌收購）曾因AlphaGO圍棋軟件名聲大噪，現(xiàn)也加入蛋白質(zhì)結(jié)構預測的大潮之中，并在全球蛋白質(zhì)結(jié)構預測比賽（Critical Assessment of protein Structure Prediction，CASP）中大放異彩。得益于在人工智能領域的多年積累，DeepMind團隊開發(fā)了AlphaFold系列軟件。AlphaFold2更是2020年第十四屆CASP大賽中拔得頭籌，其預測結(jié)果已經(jīng)能夠達到與實驗手段獲得的結(jié)構相媲美的程度。由此也引發(fā)了計算預測是否能替代傳統(tǒng)實驗的討論。（參見《精準預測蛋白結(jié)構的AlphaFold，會砸了結(jié)構生物學家的飯碗嗎？》http://zhishifenzi.com/news/other/10495.html）
7月16日，DeepMind團隊以“加速預覽”的形式在Nature期刊發(fā)文，描述了AlphaFold2的設計框架和方法，并公開了相應的軟件代碼[1]。
同日，David Baker教授團隊也在Science期刊發(fā)文，介紹了最新設計的RoseTTAFold人工智能軟件系統(tǒng)，并公開了軟件代碼[2]。受到AlphaFold2的設計思路啟發(fā)，RoseTTAFold利用神經(jīng)網(wǎng)絡技術綜合一維、二維、三維以及交互信息，進而推斷出更為合理準確的折疊方式，同時還能預測蛋白質(zhì)復合體的結(jié)構。
圖2. RoseTTAFold原理圖示。圖片來自Science
值得注意的是，David Baker教授團隊表示RoseTTAFold對蛋白質(zhì)結(jié)構的預測精度已與AlphaFold2不相上下，而它所需要的硬件設備要求較低，只需一塊RTX2080顯卡，便可以在10分鐘計算得到400個氨基酸殘基以內(nèi)的蛋白質(zhì)結(jié)構，同時他們也搭建了網(wǎng)頁版（https://robetta.bakerlab.org/）供廣大用戶使用。
圖片來自bakerlab.org
“僅上個月就有超4500個蛋白提交到我們的網(wǎng)絡服務器，并且研究人員還能通過GitHub網(wǎng)站獲得RoseTTAFold的源代碼。我們希望這個新的工具能夠持續(xù)的造福整個科研領域。” David Baker團隊成員Minkyung Baek表示[3]。
我們相信這兩個軟件只是蛋白質(zhì)結(jié)構預測領域的一個開始，源代碼開放獲取更能夠拓寬軟件的適用范圍，加速軟件更新，由此，蛋白質(zhì)結(jié)構解析將在人工智能的助跑下迎來新的春天。
參考資料：
[1] Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021.
[2] Baek M, DiMaio F, Anishchenko I, Dauparas J, Ovchinnikov S, Lee GR, et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science. 2021.
[3] https://www.bakerlab.org/index.php/2021/07/15/accurate-protein-structure-prediction-accessible/
