ESM宏基因組圖譜數(shù)據(jù)庫(kù)包含6.17億個(gè)蛋白質(zhì)的結(jié)構(gòu)預(yù)測(cè)。圖片來(lái)源：ESM宏基因組圖譜

谷歌旗下人工智能（AI）公司Deep Mind今年公布了2.2億個(gè)蛋白質(zhì)的預(yù)測(cè)結(jié)構(gòu)，幾乎涵蓋了DNA數(shù)據(jù)庫(kù)中已知生物的所有蛋白質(zhì)?，F(xiàn)在，另一個(gè)科技巨頭正在填補(bǔ)蛋白質(zhì)宇宙中的暗物質(zhì)。

Meta公司（前身為Facebook）的研究人員使用人工智能預(yù)測(cè)了約6億個(gè)蛋白質(zhì)的結(jié)構(gòu)，這些蛋白質(zhì)來(lái)自細(xì)菌、病毒和其他尚未被表征的微生物。相關(guān)研究11月1日發(fā)表于預(yù)印本網(wǎng)站BioRxiv。

“這些是非常神秘的蛋白質(zhì)，為深入了解生物學(xué)提供了可能性?！盡eta人工智能蛋白質(zhì)團(tuán)隊(duì)研究負(fù)責(zé)人Alexander Rives說(shuō)。

該團(tuán)隊(duì)使用“大型語(yǔ)言模型”生成了這些預(yù)測(cè)。“大型語(yǔ)言模型”是一種人工智能，可作為通過(guò)幾個(gè)字母或單詞預(yù)測(cè)文本的工具的基礎(chǔ)。

通常語(yǔ)言模型是在大量文本的基礎(chǔ)上進(jìn)行訓(xùn)練的。為了將其應(yīng)用于蛋白質(zhì)，Rives團(tuán)隊(duì)將已知蛋白質(zhì)序列“喂”給它們，這些蛋白質(zhì)可以由20個(gè)不同的氨基酸鏈表示，每個(gè)氨基酸鏈由一個(gè)字母表示。然后，該模型學(xué)會(huì)了在氨基酸比例模糊的情況下“自動(dòng)補(bǔ)全”蛋白質(zhì)。

Rives說(shuō)，這種訓(xùn)練使模型對(duì)蛋白質(zhì)序列有了直觀的理解，蛋白質(zhì)序列包含了蛋白質(zhì)形狀的信息。

第二步，受DeepMind開創(chuàng)性蛋白質(zhì)結(jié)構(gòu)人工智能算法AlphaFold的啟發(fā)，模型將這種洞察力與已知蛋白質(zhì)結(jié)構(gòu)和序列之間關(guān)系的信息相結(jié)合，從蛋白質(zhì)序列中生成預(yù)測(cè)結(jié)構(gòu)。

今年夏天早些時(shí)候，Rives團(tuán)隊(duì)報(bào)告稱，其模型算法名為ESMFold，雖準(zhǔn)確性不如AlphaFold，但在預(yù)測(cè)結(jié)構(gòu)方面要快60倍左右?！斑@意味著我們可以將結(jié)構(gòu)預(yù)測(cè)擴(kuò)展到更大的數(shù)據(jù)庫(kù)中?！盧ives說(shuō)。

作為一個(gè)測(cè)試案例，研究團(tuán)隊(duì)決定將模型應(yīng)用于大規(guī)模測(cè)序的“宏基因組”DNA數(shù)據(jù)庫(kù)，這些DNA來(lái)自于環(huán)境，包括土壤、海水、人類腸道、皮膚和其他微生物棲息地。絕大多數(shù)編碼潛在蛋白質(zhì)的DNA條目來(lái)自從未被培養(yǎng)過(guò)的生物，也不為科學(xué)家所知。

Meta團(tuán)隊(duì)總共預(yù)測(cè)了超過(guò)6.17億個(gè)蛋白質(zhì)的結(jié)構(gòu)，這項(xiàng)工作只花了兩周時(shí)間。Rives表示，預(yù)測(cè)是免費(fèi)的，任何人都可以使用，就像模型的底層代碼一樣。

在這6.17億個(gè)預(yù)測(cè)中，該模型認(rèn)為超過(guò)1/3的預(yù)測(cè)是高質(zhì)量的，因此研究人員可以確信蛋白質(zhì)的整體形狀是正確的，在某些情況下，模型可以識(shí)別更精細(xì)的原子級(jí)細(xì)節(jié)。值得一提的是，其中數(shù)以百萬(wàn)計(jì)的結(jié)構(gòu)都是全新的，與實(shí)驗(yàn)確定的蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)，或從已知生物體預(yù)測(cè)的AlphaFold數(shù)據(jù)庫(kù)中的結(jié)構(gòu)都不同。

AlphaFold數(shù)據(jù)庫(kù)的很大一部分是由彼此幾乎相同的結(jié)構(gòu)組成的，而宏基因組數(shù)據(jù)庫(kù)則應(yīng)該涵蓋以前從未見過(guò)的蛋白質(zhì)宇宙的很大一部分。

美國(guó)哈佛大學(xué)進(jìn)化生物學(xué)家Sergey Ovchinnikov對(duì)ESMFold做出的數(shù)億個(gè)預(yù)測(cè)表示懷疑。他認(rèn)為，有些蛋白質(zhì)可能缺乏確定的結(jié)構(gòu)，而另一些可能是非編碼DNA，被誤認(rèn)為是蛋白質(zhì)編碼材料。

德國(guó)慕尼黑工業(yè)大學(xué)計(jì)算生物學(xué)家Burkhard Rost對(duì)Meta公司模型的速度和準(zhǔn)確性的結(jié)合印象深刻。但他質(zhì)疑，從宏基因組數(shù)據(jù)庫(kù)預(yù)測(cè)蛋白質(zhì)是否真的比AlphaFold的精確度更高?；谡Z(yǔ)言模型的預(yù)測(cè)方法，更適合快速確定突變?nèi)绾胃淖兊鞍踪|(zhì)結(jié)構(gòu)，這是AlphaFold無(wú)法做到的。

據(jù)DeepMind的一位代表說(shuō)，該公司目前沒(méi)有計(jì)劃在其數(shù)據(jù)庫(kù)中進(jìn)行宏基因組結(jié)構(gòu)預(yù)測(cè)，但不排除在未來(lái)這樣做的可能性。

韓國(guó)首爾國(guó)立大學(xué)計(jì)算生物學(xué)家Martin Steinegger認(rèn)為，這類工具的下一步顯然是研究生物學(xué)中的暗物質(zhì)。“我們很快就會(huì)在這些宏基因組結(jié)構(gòu)的分析方面出現(xiàn)爆炸式增長(zhǎng)。”

相關(guān)論文信息：https://doi.org/10.1101/2022.07.20.500902

來(lái)源：中國(guó)科學(xué)報(bào)