DeepMind去年公布了生物學(xué)界的AlphaGo——AlphaFold，只要知道蛋白質(zhì)的氨基酸序列，就可以預(yù)測(cè)蛋白質(zhì)分子的三維折疊結(jié)構(gòu)。

△AlphaFold預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)

現(xiàn)在MIT把AI的預(yù)測(cè)能力又推進(jìn)了一步，直接通過(guò)氨基酸序列預(yù)測(cè)蛋白質(zhì)分子的生物學(xué)功能，跳過(guò)AlphaFold預(yù)測(cè)蛋白質(zhì)立體結(jié)構(gòu)的步驟。

他們的論文《Learning protein sequence embeddings using information from structure》將在今年5月的ICLR學(xué)術(shù)會(huì)議上公布。

如何預(yù)測(cè)蛋白質(zhì)功能

研究人員先讓模型學(xué)習(xí)一些特定蛋白質(zhì)的功能，將蛋白質(zhì)結(jié)構(gòu)編碼成表示，用不同蛋白質(zhì)結(jié)構(gòu)相似性來(lái)監(jiān)督模型。

他們根據(jù)蛋白質(zhì)結(jié)構(gòu)分類數(shù)據(jù)庫(kù)（SCOP），對(duì)數(shù)千各類別、大約22,000種蛋白質(zhì)進(jìn)行模型訓(xùn)練。然后，將蛋白質(zhì)結(jié)構(gòu)與氨基酸序列編碼成嵌入（embedding）這種數(shù)字表示，隨機(jī)組對(duì)送入模型中。

這種嵌入與NLP中的上下文表示類似，兩種嵌入越相似，單詞出現(xiàn)在同一個(gè)句子中的概率就越大。

像單詞對(duì)語(yǔ)義的影響一樣，氨基酸是蛋白質(zhì)的“單詞”，蛋白質(zhì)就是整個(gè)“句子”，嵌入包含著每個(gè)氨基酸序列與另一個(gè)氨基酸序列的相似性信息，機(jī)器學(xué)習(xí)模型可以根據(jù)嵌入預(yù)測(cè)每個(gè)氨基酸對(duì)整個(gè)蛋白質(zhì)功能的影響。

而且該模型還能預(yù)測(cè)蛋白質(zhì)的接觸圖（contact map），即每個(gè)氨基酸與其他氨基酸之間的距離，與來(lái)自SCOP已知的接觸圖進(jìn)行比較。

這有助于模型更好地了解氨基酸在蛋白質(zhì)結(jié)構(gòu)中的確切位置，從而進(jìn)一步預(yù)測(cè)每種氨基酸對(duì)功能的影響。

總的來(lái)說(shuō)，對(duì)于某個(gè)氨基酸序列，該模型將為3D結(jié)構(gòu)中的每個(gè)氨基酸位置產(chǎn)生一個(gè)嵌入表示。機(jī)器學(xué)習(xí)模型根據(jù)這些嵌入，基于接觸圖準(zhǔn)確預(yù)測(cè)每個(gè)氨基酸的功能。

研究人員使用該模型預(yù)測(cè)哪些蛋白質(zhì)可以通過(guò)細(xì)胞膜，所得結(jié)果的準(zhǔn)確性已經(jīng)超過(guò)之前最先進(jìn)的模型。

用于藥物研發(fā)和基因治療

蛋白質(zhì)是氨基酸通過(guò)肽鍵組成的線性鏈，卻能折疊成極其復(fù)雜的三維結(jié)構(gòu)，其具體的結(jié)構(gòu)取決于氨基酸序列和它們之間的物理相互作用。而這種結(jié)構(gòu)又決定了蛋白質(zhì)的生物學(xué)功能。

盡管人類已經(jīng)研究了幾十年蛋白質(zhì)，發(fā)明了很多探測(cè)手段，但是真正能準(zhǔn)確測(cè)量出結(jié)構(gòu)的蛋白質(zhì)只有很小一部分，已經(jīng)的幾百萬(wàn)種蛋白質(zhì)中，我們只知道其中幾萬(wàn)個(gè)的結(jié)構(gòu)，研究每個(gè)結(jié)構(gòu)都需要花費(fèi)數(shù)萬(wàn)美元。

過(guò)去我們需要知道蛋白質(zhì)的結(jié)構(gòu)才能研究它的功能，MIT希望利用這項(xiàng)技術(shù)讓預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的研究邊緣化，即使只知道氨基酸序列也能給出蛋白質(zhì)的功能。

所幸的是，知道蛋白質(zhì)的氨基酸序列是一件相對(duì)比較容易的事情，我們只要給DNA分子測(cè)序就能得到。

掌握了蛋白質(zhì)的功能，我們就能知道它會(huì)和藥物發(fā)生怎樣的反應(yīng)，幫助我們進(jìn)行藥物研發(fā)。

此外，某些基因突變會(huì)改變蛋白質(zhì)的結(jié)構(gòu)，這項(xiàng)工作還可以用于基因組學(xué)，來(lái)檢測(cè)破壞蛋白質(zhì)結(jié)構(gòu)的有害突變。

論文地址：
https:///abs/1902.08661

開(kāi)源代碼與數(shù)據(jù)集：
https://github.com/tbepler/protein-sequence-embedding-iclr2019