DeepMind開源代碼 第二代AlphaFold造福病人

AlphaFold 2源碼已上載GitHub，並顯示多個以AlphaFold預測的蛋白3D 結構，預測可大大加快人類對於蛋白功能的瞭解，加快藥物研發。

新科技速遞

生物的蛋白質由氨基酸串組成，摺疊成3D形狀，決定了蛋白質在細胞中功能，多年來研究人員致力重現高解像3D蛋白質結構，以促進研發藥物設計和生產。

雖然基因研究突飛猛進，但基因所以重要，全因帶有生產蛋白質密碼，生物利用密碼轉變成蛋白質，而在細胞內，蛋白質才是真正功能的執行者。

蛋白質3D結構無法直接觀察，研究人員一直使用X射線晶體學（X-ray Crystallography）或核磁共振儀 （NMR）等技術測定蛋白質3D結構，但進度相當緩慢。

近年，低溫電子顯微鏡（Cryo-TEM）分析蛋白質結構的效率大大提高；去年香港大學獲李嘉誠捐贈了1億港元，成立「低溫電子顯微設施研究中心」，顯微鏡可凍結移動中的微細生物分子，以原子尺度描繪，加快分析蛋白3D結構，推動本港藥物研發工業。

AI脫穎而出

上述數種方法既費時又昂貴，部分蛋白質不適合以上述方法分析；X射線晶體學數個月才測定一種結構，Cryo-TEM設備極之昂貴，須高性能運算配合，安裝和配置設備，也成本不菲。

去年12 月，兩年一度舉行的「國際蛋白質結構預測比賽」CASP，英國初創DeepMind以AlphaFold的AI模型，預測出多個蛋白質的 3D 結構，擊敗所有參賽者，準確性與實驗結果匹配，準確度前所未見，一時技驚四座，頓成為生物訊息學最矚目的科技。

DeepMind 開發的AlphaFold 模型，只根據蛋白質氨基酸的序列，就預測出3D 的結構，破解蛋白質折疊困擾生物學的主要難題；AlphaFold以多序列對齊，進行深度學習演算開發AI模型，結合蛋白質結構物理和生物學，開啟出生物信息學的新時代。

DeepMind以AI利用蛋白的基因序列，凖確推測蛋白的結構，不止震驚了學術界，也導致研究上百花齊放，爭相開發AI的模型。

西雅圖華盛頓大學蛋白設計所David Baker博士：無師自通以AlphaFold的AI模型啟發，設計出RoseTTaFold再在GitHub開源（圖片來源：美國華盛頓大學）

開源模型速度高

上周，《自然》期刊的報導，DeepMind公佈名為AlphaFold 2深度學習神經網的開源版本，與去年參加CASP的比賽版本，已經脫胎換骨，模型仍以Python語言開發，但速度更快。DeepMind在《自然》期刊上，發表《以AlphaFold精凖預測蛋白結構》的論文。

同一天，受AlphaFold 2模型的啟發，另一組學術研究人員也公佈了另一個蛋白預測模型RoseTTaFold，發表論文和開源代碼，預測能力亦媲美AlphaFold 2。

如何預測蛋白質3D 結構，困擾生物學長達50年之久。AlphaFold 2和RoseTTaFold開源AI模型，代表學術界以上述開源工具，理解細胞蛋白質功能，一同改進AI模型凖確度。

以往DeepMind對正進行AI研究，往往是諱莫如深，學術界遂自行研究，美國西雅圖華盛頓大學生物化學家David Baker團隊，摹仿AlphaFold 2開發AI預測蛋白質3D 結構開發，顯示學術界亦掌握AI預測蛋白結構的能力。

雖然RoseTTaFold功能毫不遜色，凖確度則與AlphaFold 仍有落差 ，原因可能工程技術仍有差距，而不是分析方法較差。

DeepMind改進AlphaFold 2演算速度，較CASP 比賽之際，AlphaFold花上數天才預測簡單蛋白結構，開源版本分析速度提高16倍，往往數小時就可獲結果。

AlphaFold 2和RoseTTaFold源碼已上載到GitHub，AlphaFold 2以容器開發，更易安裝和設定，亦與研究機構合作推出新藥；包括日内瓦「被忽視疾病藥物研發」（Drugs for Neglected Diseases）組織合作預測蛋白結構，加速研發罕見病新藥。

透過結構生物學研究蛋白質結構與功能之間的關係，可開發出臨床小分子藥物。過去20年，生物技術療法推陳出新，小分子藥物市場萎縮，AI可加快發現生物標記和標靶，有機會重振小分子藥物的市場。

李嘉誠旗下的維港投資亦是DeepMind早期投資者之一，其後出售予Google。