AI预测蛋白质结构的数据库可能改变生物学(基于ai技术的蛋白质结构预测算法)

“生命科学”上云,火山引擎行进到哪一步了?|专访张鑫

为解决这一问题，火山引擎在大会上首次对外发布了火山引擎科研智算云解决方案，旨在为科研机构和从业者们提供从IaaS到PaaS再到SaaS的全场景产品和方案，以加速AI4S在生命科学领域的应用。火山引擎副总裁张鑫接受了动脉网的采访，探讨了火山引擎如何助力科学研究加速向AI4S挺进，实现生命科学机构的上“云”。

火山引擎副总裁张鑫表示，此次合作标志着火山引擎在生命科学领域的深入发展。通过Bio-OS生信操作系统，为序祯达提供了全面的高效解决方案，尤其在生信数据处理的速度与精确性上达到行业领先水平。火山引擎的目标是通过技术创新，为生物科技企业提供强有力的支持，突破数据处理瓶颈，加速科研成果转化。

AlphaFold开源一年:探索新冠祖源,彻底改写生物学

AlphaFold的开源一年以来，其对生物学领域的革新影响深远。这款人工智能工具通过预测蛋白质的三维结构，彻底改变了分子生物学家的工作方式。原本复杂的核孔复合体模型，如今因AlphaFold的准确性大幅简化，揭示了这一生物学难题的新面貌。

首先，AlphaFold2的成功被看作技术进步的必然，但蛋白质结构预测只是计算生物学众多复杂挑战中的一个。定义计算生物学的学科边界涉及从微观的蛋白、DNA到宏观的生物体组织，研究手段涵盖生物实验与数学建模等。其应用领域广泛，既有基础科学的潜力，也对制药和诊疗有深远影响。

现有的基于序列的方法只考虑了顺序相邻的上下文特征，这对捕捉空间信息是有限的。对此本文提出GraphSite，作者将结合位点预测问题转化为图节点分类任务，并采用基于Transformer的预训练模型，通过AlphaFold2预测结构，将蛋白质结构信息、AlphaFold2中Evoformer的表征和序列进化信息考虑在内实现DNA结合残基的识别。

人工智能改变研究方法的例子

1、以下是人工智能改变研究方法的例子：生物医药领域：mRNA序列生成：中美科学家开发的算法Linear Design，借助人工智能，仅需11分钟就能生成可编码SARS - CoV - 2刺突蛋白的最佳mRNA序列，大幅提升了研发效率。

2、Raj Reddy教授，人工智能领域的资深学者，回顾60年前DARPA对AI的重视与资助，讲述其对AI的早期探索与兴趣。从斯坦福研究生时期开始，AI研究从游戏扩展至更多人类技能。历经技术进步，从庞大笨重的计算机到小型便携设备，内存与频率显著提升，AI研究随之发展。

3、AI虽然已经可以从大量已知论文、实验数据中挖掘新的知识，改变了传统基于学术经验的研究方式，然而方法的准确性、可解释性、可重复性等还有待提高。 此外，传统的药物研发模式已有相对健全的监管政策、行业体系。作为一种新的模式，AI在制药行业的应用 探索 ，也需要相应的行业政策和体系来规范和引导。

4、航空和航天技术：飞行和太空探索使我们能够在更远的距离和更高的高度上观察地球和其他星球，深入了解宇宙。从飞机和卫星到宇宙飞船和国际空间站，科技改变了我们的探索方式和研究方法。3： 远程探测技术：现代技术也使得我们能够使用无人机、遥感卫星和水下探测器等工具进行远程探测。

5、在人工智能的理论研究中，王湘浩在归结方法上做出了显著贡献。他与学生共同研究了归结方法中的取因子问题，并在1982年提出了广义归结方法，这一创新性工作不仅包含了J．A．鲁宾逊在1965年的普通归结方法，还融入了N．V．默里1982年的非子句归结方法，为证明定理机器提供了更为全面的策略。

...人大团队将等变图神经网络用于靶蛋白结合位点预测,性能最高提升20%...

预测靶蛋白结合位点对药物发现至关重要，传统方法如卷积神经网络在表示不规则结构、旋转敏感性、表面几何特征描述和对蛋白质大小变化的适应性方面存在局限性。为此，中国人民大学高瓴人工智能学院团队在ICML 2024上发布“EquiPocket”，利用等变图神经网络解决这些挑战。

研究人员描述了MARIA，一种多模态递归神经网络，用于在许多感兴趣的基因中预测特定情况下II类白细胞抗原呈递抗原的可能性等位基因。除了进行体外结合测试外，还利用质谱对MARIA鉴定的HLA结合肽段进行了序列分析，以及抗原基因的表达水平和蛋白酶切割位点的标记。

DeepMind发布人类蛋白质组预测图,重要性堪比人类基因组

1、深度学习领域的领军企业 DeepMind 最近发布了一个划时代的产品——人类蛋白质组结构预测图库，此图库的完整性和准确性均为世界之最，并且已在权威期刊《自然》上发布。人类蛋白质组，类比人类基因组，包含了人体内所有的蛋白质，是生物学、医学乃至生命科学的重要研究对象。

2、AlphaFold 3，一款由谷歌 DeepMind 与 Isomorphic Labs 合作研发的革命性人工智能模型，于2024年5月8日在《自然》期刊上发布。这一模型在蛋白质、DNA、RNA 以及配体等生命分子的结构预测和相互作用方式上展现出了前所未有的精确度。

3、由DeepMind公司开发，旨在为科学家们提供前所未有的蛋白质结构预测资源。通过开放获取的数据库，显著提升了已知蛋白质结构的覆盖范围。核心功能：高精度预测：能够根据氨基酸序列精准预测蛋白质结构，速度和准确性高，使得大规模的结构预测成为可能。

4、近期，DeepMind在蛋白质结构预测领域的重大进展引发业界广泛关注。AlphaFold2的开源、人类蛋白质组预测及开源数据库发布，以及其在预测蛋白质结构方面的卓越性能，激发了深入讨论。我们特此邀请五位蛋白质结构研究领域专家，共同探讨AlphaFold2带来的革新与挑战。

5、AlphaFold DB，由DeepMind和EMBL-EBI合作创建，是一个开放获取的数据库，革命性地扩展了已知蛋白质结构的预测精度。它利用AI技术，将蛋白质序列转化为三维结构模型，极大地推动了生物学研究的进程。

...预测出地球上几乎所有蛋白质结构,数字生物学迎来全新时代

1、现在，DeepMind与EMBL-EBI的合作团队更进一步。AlphaFold对蛋白质结构的预测不再局限于人类与模式生物，而是拓展至涵盖了动植物、细菌等的100万个物种，预测的蛋白质结构数量也提升了数百倍。这个数据库涵盖了整个蛋白质宇宙，我们迈入了数字生物学的全新时代。

2、AlphaFold的突破：AlphaFold系统由DeepMind公司开发，实现了蛋白质三维结构的精确预测，这一突破彻底改变了数字生物学的面貌。通过与欧洲生物信息研究所的合作，AlphaFold蛋白结构数据库得以建立，该数据库涵盖了地球上几乎所有已知蛋白质的结构信息。

3、深度学习领域的领军企业 DeepMind 最近发布了一个划时代的产品——人类蛋白质组结构预测图库，此图库的完整性和准确性均为世界之最，并且已在权威期刊《自然》上发布。人类蛋白质组，类比人类基因组，包含了人体内所有的蛋白质，是生物学、医学乃至生命科学的重要研究对象。

4、“画蛇添足”：“有脚”的叶鳍鱼，这是2006年伪造的证据，利用残缺的化石，人为给鱼添上脚，现今在地质层中找出250万具古生物化石，其中不乏有数量相当可观的完整的化石，那么进化论鼓吹者们为何偏偏喜欢用残缺的化石复原成进化论过渡生物化石呢？残缺部分给足了他们想象空间，方便他们借题发挥。于是“蛇”就有了腿。

5、生物进化论，简称进化论，是生物学最基本的理论之一。进化（Evolution）是指生物在变异、遗传与自然选择作用下的演变发展，物种淘汰和物种产生过程。地球上原来无生命，大约在30多亿年前，在一定的条件下，形成了原始生命，其后，生物不断的进化，直至今天世界上存在着170多万个物种。

6、现代分子生物学是通过研究生物大分子（核酸、蛋白质）的结构、功能和生物合成等方面阐明各种生命现象本质的科学。其目的是在分子水平上，对细胞的活动、生长发育、消亡、物质和能量代谢、遗传、衰老等重要生命活动进行探索。分子生物学的研究关系到人类的方方面面。