蛋白質(zhì)結(jié)構(gòu)預(yù)測是生命科學(xué)領(lǐng)域的一大難題。近日，來自哈佛大學(xué)醫(yī)學(xué)院的研究人員提出了一種基于氨基酸序列預(yù)測蛋白質(zhì)結(jié)構(gòu)的新方法，準(zhǔn)確率可媲美當(dāng)前最佳方案，但預(yù)測速度提升了100萬倍。

生命所必需的每一次基礎(chǔ)生物學(xué)進(jìn)展幾乎都是由蛋白質(zhì)帶來的。蛋白質(zhì)參與創(chuàng)建細(xì)胞和組織并保持著它們的形狀；構(gòu)成維持生命所需化學(xué)反應(yīng)的催化酶；充當(dāng)分子工廠、轉(zhuǎn)運(yùn)工具和馬達(dá)；充當(dāng)細(xì)胞通訊的信號和接收器等等。

蛋白質(zhì)由很多氨基酸長鏈組成，通過折疊成精確的 3D 結(jié)構(gòu)來完成無數(shù)的任務(wù)，這些結(jié)構(gòu)控制著它們與其它分子互動的方式。蛋白質(zhì)的形狀決定了其功能以及它在疾病中的功能紊亂程度。闡明蛋白質(zhì)的結(jié)構(gòu)是所有分子生物學(xué)的核心，更是治療患者、拯救生命、改變生活的醫(yī)學(xué)發(fā)展的核心。

近年來，根據(jù)氨基酸序列預(yù)測蛋白質(zhì)折疊結(jié)構(gòu)方面的計(jì)算方法已經(jīng)取得了很大進(jìn)展。如果能夠充分實(shí)現(xiàn)，這些方法可能會改變生物醫(yī)學(xué)研究的方方面面。然而，現(xiàn)在的方法在可測定的蛋白質(zhì)的大小和范圍上是有限的。

最近，哈佛大學(xué)醫(yī)學(xué)院 Blavatnik 研究所系統(tǒng)生物學(xué)家 Mohammed AlQuraishi 發(fā)布了一項(xiàng)新的研究，他根據(jù)氨基酸序列，利用深度學(xué)習(xí)實(shí)現(xiàn)了任意蛋白質(zhì) 3D 結(jié)構(gòu)的高效預(yù)測。在 4 月 17 日的 Cell Systems 期刊中，Mohammed AlQuraishi 詳細(xì)介紹了這種通過計(jì)算確定蛋白質(zhì)結(jié)構(gòu)的新方法，利用該方法實(shí)現(xiàn)的準(zhǔn)確率可媲美當(dāng)前最佳方案，但速度提高了 100 萬倍。

論文：End-to-end differentiable learning of protein structure

論文地址：https://www.biorxiv.org/content/biorxiv/early/2018/08/29/265231.full.pdf

項(xiàng)目地址：https://github.com/aqlaboratory/rgn

原論文表 2：蛋白質(zhì)結(jié)構(gòu)預(yù)測方法的訓(xùn)練和預(yù)測速度對比。

如上所示，AlQuraishi 提出的循環(huán)幾何網(wǎng)絡(luò)在預(yù)測速度上快了 6 到 7 個(gè)數(shù)量級。其中上表第一行是目前已經(jīng)建立起來的復(fù)雜方法，這些方法嚴(yán)重依賴于模擬和采樣。第二行對應(yīng)于協(xié)同演化（co-evolution）的方法，它也會有一個(gè)學(xué)習(xí)過程。最后一行就是作者提出的一種端到端的可微分方法。

「蛋白質(zhì)折疊是近半個(gè)世紀(jì)以來生物化學(xué)家研究的重要問題之一，此次提出的方法為解決這一問題提供了全新的思路，」AlQuraishi 說道。「現(xiàn)在我們有了一個(gè)探索蛋白質(zhì)折疊的全新方法，我覺得我們現(xiàn)在的研究不過是冰山一角。」

AlQuraishi 研究的特點(diǎn)在于，一名埋頭在哈佛醫(yī)學(xué)院和波士頓生物醫(yī)學(xué)社區(qū)豐富研究生態(tài)系統(tǒng)中的研究人員，居然能夠在計(jì)算機(jī)科學(xué)最熱門的領(lǐng)域里抗衡谷歌等巨頭。——Peter Sorger

說起來簡單

雖然成功率高，但利用物理工具來鑒別蛋白質(zhì)結(jié)構(gòu)的過程既昂貴又耗時(shí)，即使是使用現(xiàn)代技術(shù)（如低溫電子顯微鏡）同樣如此。因此，絕大多數(shù)蛋白質(zhì)結(jié)構(gòu)以及致病突變對這些結(jié)構(gòu)的影響目前仍是未知的。

蛋白質(zhì)折疊方式的計(jì)算方法有可能大大降低確定蛋白質(zhì)結(jié)構(gòu)的成本和時(shí)間。但經(jīng)過近四十年的不懈努力，這個(gè)難題仍未解決。

可視化模擬 AlQuraishi 的蛋白質(zhì)折疊深度學(xué)習(xí)方法。模型通過反復(fù)預(yù)測某個(gè)結(jié)構(gòu)（彩色）并將其預(yù)測與真實(shí)結(jié)構(gòu)（灰色）對比來實(shí)現(xiàn)自訓(xùn)練。對數(shù)千種已知蛋白質(zhì)重復(fù)此步驟，模型在每次迭代中都會學(xué)習(xí)并提高自己的準(zhǔn)確率。

蛋白質(zhì)由 20 種不同的氨基酸組成。這些氨基酸就像字母表中的字母，組合成單詞、句子、段落，產(chǎn)生了無數(shù)種可能的文本。然而，與字母不同，氨基酸是位于 3D 空間的物理存在。通常，蛋白質(zhì)的各個(gè)部分在物理上非常接近，但在序列上卻相隔很遠(yuǎn)，因?yàn)槠浒被徭溞纬闪谁h(huán)、螺旋、折疊等不同形狀。

AlQuraishi 表示，「這個(gè)問題引人注目的地方在于它說起來簡單：挑一個(gè)序列，想辦法弄清楚它的形狀就可以了。蛋白質(zhì)從一個(gè)非結(jié)構(gòu)化的線開始，必須呈現(xiàn) 3D 形狀，線可能折疊成的形狀有很多種。許多蛋白質(zhì)有上千個(gè)氨基酸長，其復(fù)雜性遠(yuǎn)遠(yuǎn)超過人類直覺甚至強(qiáng)大的計(jì)算機(jī)。」

做起來難

為了應(yīng)對這一挑戰(zhàn)，科學(xué)家利用氨基酸的特點(diǎn)，即它會在物理法則的約束下相互作用，從而尋找更具潛力的狀態(tài)。目前最先進(jìn)的算法通過超級計(jì)算機(jī)或眾包計(jì)算來尋找蛋白質(zhì)結(jié)構(gòu)，它們基本上都是在模擬極其復(fù)雜的氨基酸物理相互作用。為了降低這些方法對大規(guī)模計(jì)算的需求，它們依賴于將新序列映射到預(yù)定義的模板，且這些蛋白質(zhì)結(jié)構(gòu)模板都是之前通過實(shí)驗(yàn)確定的。

其它如 DeepMind 的 AlphaFold 則采用了另一種方法，它利用深度學(xué)習(xí)進(jìn)一步預(yù)測蛋白質(zhì)結(jié)構(gòu)。這類方法會分析大量的基因數(shù)據(jù)，其內(nèi)在包含了蛋白質(zhì)的設(shè)計(jì)藍(lán)圖，目前受到了極大的關(guān)注。

AlphaFold 是之前非常受關(guān)注的一項(xiàng)研究，它利用神經(jīng)網(wǎng)絡(luò)來預(yù)測氨基酸對之間的距離，以及連接它們的化學(xué)鍵之間的角度。AlphaFold 參加了 CASP 競賽，它首次參賽就在 98 名參賽者中名列榜首，準(zhǔn)確地從 43 種蛋白質(zhì)中預(yù)測出了 25 種蛋白質(zhì)的結(jié)構(gòu)，而同組比賽中獲得第二名的參賽者僅準(zhǔn)確預(yù)測出了 3 種。

然而，這些 AI 方法并不能僅基于蛋白質(zhì)的氨基酸序列預(yù)測結(jié)構(gòu)。這一點(diǎn)會限制 AlphaFold 等方法的能力，因?yàn)樵跊]有先驗(yàn)知識的情況下它們很難決定蛋白質(zhì)結(jié)構(gòu)，其在演化獨(dú)特的蛋白質(zhì)或手工設(shè)計(jì)新蛋白質(zhì)上能力有限。

針對這些問題，AlQuraishi 主要從四個(gè)核心概念出發(fā)構(gòu)建新的解決方案。首先我們應(yīng)該要使用循環(huán)神經(jīng)網(wǎng)絡(luò)編碼蛋白質(zhì)序列；其次通過扭轉(zhuǎn)角度參數(shù)化局部蛋白質(zhì)的結(jié)構(gòu)，從而允許模型在不破壞共價(jià)化學(xué)性質(zhì)的情況下對各種結(jié)構(gòu)進(jìn)行推理；再者，我們還應(yīng)該通過循環(huán)幾何單元耦合局部蛋白質(zhì)結(jié)構(gòu)和它的全局表征；最后，使用一種可微損失函數(shù)來捕捉預(yù)測結(jié)構(gòu)與實(shí)際結(jié)構(gòu)之間的差別。

端到端的可微分學(xué)習(xí)

為了開發(fā)新的方法，AlQuraishi 應(yīng)用了一種名為端到端的可微分深度學(xué)習(xí)方法。本質(zhì)上而言，可微分學(xué)習(xí)涉及到一種單獨(dú)的強(qiáng)力數(shù)學(xué)函數(shù)：神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)元的前饋傳播與反向傳播，可微分學(xué)習(xí)能逐漸學(xué)習(xí)到各種「專業(yè)知識」。

神經(jīng)網(wǎng)絡(luò)這種函數(shù)能在極其復(fù)雜的特征空間上調(diào)整自身，以便精確地學(xué)習(xí)蛋白質(zhì)序列與其結(jié)構(gòu)之間的數(shù)學(xué)關(guān)系。AlQuraishi 就構(gòu)建了一種名為循環(huán)幾何網(wǎng)絡(luò)（Recurrent Geometric Network）的深度學(xué)習(xí)模型，它側(cè)重建模蛋白質(zhì)折疊的關(guān)鍵特征。

循環(huán)幾何網(wǎng)絡(luò)

模型輸入一個(gè)氨基酸序列和 PSSM（具體位置的評分矩陣）并輸出一個(gè) 3D 結(jié)構(gòu)。它由三個(gè)階段組成：計(jì)算、幾何建模和評估——因此將其稱為循環(huán)幾何網(wǎng)絡(luò)（RGN）。

第一階段由計(jì)算單元組成，對于每個(gè)殘基位置（residue position），計(jì)算單元將關(guān)于氨基酸和 PSSM 的信息與來自相鄰單元的信息整合。通過將這些單元放在循環(huán)雙向拓?fù)浣Y(jié)構(gòu)中（圖 2），對每個(gè)殘基的計(jì)算整合了從殘基上游和下游一直到 N-和 C-端的信息，覆蓋了整個(gè)蛋白質(zhì)。

原論文圖 2：循環(huán)幾何網(wǎng)絡(luò)主要過程。

第二階段由幾何單元組成，該幾何單元輸入給定殘基的扭轉(zhuǎn)角和由其上游的幾何單元產(chǎn)生的部分完成的骨干，并輸出由一個(gè)殘基延伸的新骨干，該骨干被輸入至相鄰的下游單元。最后的單元輸出蛋白質(zhì)的完整 3D 結(jié)構(gòu)。

在模型訓(xùn)練期間，第三階段使用基于距離的均方根誤差（dRMSD）度量來計(jì)算預(yù)測結(jié)構(gòu)和實(shí)驗(yàn)結(jié)構(gòu)之間的誤差。dRMSD 首先計(jì)算預(yù)測結(jié)構(gòu)中所有原子和實(shí)驗(yàn)結(jié)構(gòu)中所有原子的成對距離（分別計(jì)算），然后計(jì)算這些距離集合之間的均方根。

如上展示了循環(huán)幾何網(wǎng)絡(luò)模型如何計(jì)算氨基酸之間鍵的角度以及這些鍵周圍的旋轉(zhuǎn)角，獲取這兩個(gè)信息就可以采集蛋白質(zhì)結(jié)構(gòu)的幾何形狀。動畫：Mohammed AlQuraishi。

對于每個(gè)氨基酸，模型預(yù)測連接其與相鄰氨基酸的化學(xué)鍵最可能的角度。它還預(yù)測這些鍵周圍的旋轉(zhuǎn)角，這影響了蛋白質(zhì)的任何局部在幾何上與整個(gè)結(jié)構(gòu)的關(guān)系。

這個(gè)過程會重復(fù)進(jìn)行，每次計(jì)算都需要使用和提煉所有其它氨基酸的相對位置信息。一旦整個(gè)結(jié)構(gòu)完成，模型會將預(yù)測結(jié)果與蛋白質(zhì)的「標(biāo)注真值」結(jié)構(gòu)進(jìn)行比較，以檢查其預(yù)測準(zhǔn)確率。

這整個(gè)過程在成千上萬種已知的蛋白質(zhì)中重復(fù)進(jìn)行，模型在每次迭代中學(xué)習(xí)并提升其準(zhǔn)確率。

新的前景

一旦其模型訓(xùn)練好，AlQuraishi 會測試它的預(yù)測能力，它們將該模型與近年來蛋白質(zhì)結(jié)構(gòu)預(yù)測關(guān)鍵評估（CASP）的其它方法進(jìn)行了比較。CASP 是一個(gè)年度實(shí)驗(yàn)，它通過已經(jīng)確定但未公開的蛋白質(zhì)結(jié)構(gòu)測試各種預(yù)測方法的能力。

他發(fā)現(xiàn)在沒有預(yù)先設(shè)計(jì)的模板時(shí)，新模型在預(yù)測蛋白質(zhì)結(jié)構(gòu)方面遠(yuǎn)遠(yuǎn)優(yōu)于其它方法，包括使用協(xié)同演化數(shù)據(jù)的方法。當(dāng)預(yù)定義模板可用于預(yù)測時(shí)，新模型還是優(yōu)于最佳方法之外的其它方法。

雖然提升并不大，但這種方法表示了一類新的蛋白質(zhì)折疊預(yù)測方法，它與現(xiàn)有的方法是互補(bǔ)的關(guān)系。值得注意的是，新模型的預(yù)測速度比現(xiàn)有計(jì)算方法快 6 到 7 個(gè)數(shù)量級。訓(xùn)練模型可能需要數(shù)月，但一旦訓(xùn)練完成，預(yù)測新蛋白質(zhì)結(jié)構(gòu)可以在幾毫秒內(nèi)完成。這種加速在于深度網(wǎng)絡(luò)是一種獨(dú)立的數(shù)學(xué)函數(shù)，它只需要幾千行代碼而不是數(shù)百萬行代碼就能完成。

這種極速使得蛋白質(zhì)預(yù)測變得更加簡單，以前無法想象的應(yīng)用也都會慢慢冒出來。AlQuraishi 表示：「新模型還沒有立即用于新藥開發(fā)或設(shè)計(jì)，因?yàn)樗臏?zhǔn)確度大約在 6 埃（一億分之一厘米）左右，與解決蛋白質(zhì)原子結(jié)構(gòu)所需的 1 到 2 埃還有一定距離。」

但是在深度學(xué)習(xí)快速發(fā)展的今天，這種方法將越來越強(qiáng)大，例如如何進(jìn)一步整合化學(xué)和物理知識就值得我們認(rèn)真探討。也許以后的新藥開發(fā)成本會越來越低，醫(yī)療費(fèi)用也會越來越低。