曾经靠Alpha Go、Alpha Zero在围棋界大杀四方，Google旗下的DeepMind公司又有最新战果，以人工智能“AlphaFold”程序，在98位参赛者中，拿下国际蛋白质3D结构预测竞赛（CASP）的第一名。
值得注意的是，AlphaFold在43种蛋白质中，成功预测出其中25种蛋白质的精确结构，但在同类别比赛里排名第二的队伍，只预测出其中三种。
“正如我们已经看到AI能帮助人类掌握复杂的游戏一样，我们同样希望有一天，AI的突破会帮助人类掌握最根本性、重要的的科学问题。”DeepMind共同创办人兼首席执行官杰米斯.哈萨比（Demis Hassabis）说。
为什么要“预测”蛋白质？
蛋白质是维持生命所必须的大型复杂分子。
DeepMind解释，但凡身体能执行的各项功能：收缩肌肉、感知光线、将食物转化为能量，都跟一种或多种蛋白质的运动和变化有关。而这些蛋白质的“配方”——基因，被编码在人体的DNA中。
而蛋白质的作用，取决于它独特的3D结构。
例如，胶原蛋白的形状像绳索，能在软骨、韧带、骨骼和面板之间传递张力；构成人体免疫系统的蛋白则是“Y”型，长得像钩子，能够检测和标记致病微生物，锁定并消灭病毒和细菌。
换言之，若能预测蛋白质形状，有助于理解其在体内的作用，以及诊断和治疗被认为是由错误折叠的蛋白质引起的疾病，如阿兹海默症、帕金森氏症等。
但，这项挑战已经持续了几十年。
根据《卫报》报导，人体可以制造大量不同的蛋白质，估计从几万到几十亿不等。每一种都是一个胺基酸链，其中有20种不同的类型。一种蛋白质可以在每一个胺基酸之间扭曲和弯曲，因该种含有数百个胺基酸的蛋白质有可能呈现出惊人数量
的不同结构，“例如1后面跟着300个零。”
AlphaFold通过神经网络预测蛋白质结构，和传统以核磁共振、X光的实验室方法有很大不同。
AI改变了蛋白质预测方式
DeepMind表示，在过去50年里，科学家们在实验室中通过核磁共振或X光等技术来确定蛋白质的形状，但是每种方法都依赖于大量的尝试和错误，且需要花费数年时间、数万美元。这也是为什么，生物学家开始通过人工智能来替代改变这些漫长而费力的过程。
AlphaFold并没有以过去的蛋白质3D结构为模版，而是试图从零开始，训练神经网络通过蛋白质的遗传串行，预测蛋白质的物理特性，包含：胺基酸对之间的距离、链接这些胺基酸的化学键之间的角度。
他们先训练了一个神经网络，来预测蛋白质中每对残基之间的距离分布。然后，还训练了一个单独的神经网络，可通过使用所有距离的总和来估计这些结构离正确答案有多近。
虽然，这些预测蛋白质折叠的成果令人兴奋，证明了人工智能对科学研发的效果。不过DeepMind知道，在能够对治疗疾病、环境等议题产生“可量化的影响”之前，他们还需要继续努力。