曾經靠Alpha Go、Alpha Zero在圍棋界大殺四方，Google旗下的DeepMind公司又有最新戰果，以人工智慧「AlphaFold」程式，在98位參賽者中，拿下國際蛋白質3D結構預測競賽(CASP)的第一名。
值得注意的是，AlphaFold在43種蛋白質中，成功預測出其中25種蛋白質的精確結構，但在同類別比賽裡排名第二的隊伍，只預測出其中三種。
「 正如我們已經看到AI能幫助人類掌握複雜的遊戲一樣，我們同樣希望有一天，AI的突破會幫助人類掌握最根本性、重要的的科學問題。 」DeepMind 共同創辦人兼執行長傑米斯．哈薩比（Demis Hassabis）說。
為什麼要「預測」蛋白質？
蛋白質是維持生命所必須的大型複雜分子。
DeepMind解釋，舉凡身體能執行的各項功能：收縮肌肉、感知光線、將食物轉化為能量，都跟一種或多種蛋白質的運動和變化有關。而這些蛋白質的「配方」——基因，被編碼在人體的DNA中。
而蛋白質的作用，取決於它獨特的3D結構。
例如，膠原蛋白的形狀像繩索，能在軟骨、韌帶、骨骼和皮膚之間傳遞張力；構成人體免疫系統的蛋白則是「Y」型，長得像鉤子，能夠檢測和標記致病微生物，鎖定並消滅病毒和細菌。
換言之，若能預測蛋白質形狀，有助於理解其在體內的作用，以及診斷和治療被認為是由錯誤摺疊的蛋白質引起的疾病，如阿茲海默症、帕金森氏症等。
但，這項挑戰已經持續了幾十年。
根據《衛報》報導，人體可以製造大量不同的蛋白質，估計從幾萬到幾十億不等。每一種都是一個胺基酸鏈，其中有20種不同的類型。一種蛋白質可以在每一個胺基酸之間扭曲和彎曲，因此一種含有數百個胺基酸的蛋白質有可能呈現出驚人數量的不同結構，「例如1後面跟著300個零。」
AI改變了蛋白質預測方式
DeepMind表示，在過去50年裡，科學家們在實驗室中透過核磁共振或X光等技術來確定蛋白質的形狀，但是每種方法都依賴於大量的嘗試和錯誤，且需要花費數年時間、數萬美元。這也是為什麼，生物學家開始透過人工智慧來替代改變這些漫長而費力的過程。
AlphaFold並沒有以過去的蛋白質3D結構為模版，而是試圖從零開始，訓練神經網路透過蛋白質的遺傳序列，預測蛋白質的物理特性，包含：胺基酸對之間的距離、連接這些胺基酸的化學鍵之間的角度。
他們先訓練了一個神經網路，來預測蛋白質中每對殘基之間的距離分布。然後，還訓練了一個單獨的神經網路，可透過使用所有距離的總和來估計這些結構離正確答案有多近。
雖然，這些預測蛋白質摺疊的成果令人興奮，證明了人工智慧對科學研發的效果。不過DeepMind知道，在能夠對治療疾病、環境等議題產生「可量化的影響」之前，他們還需要繼續努力。
