2个月挑战完善AlphaFold2短板！这个AI夏令营毕业生让李开复点赞衡宇发自凹非寺量子位|公众号

衡宇发自凹非寺
量子位|公众号QbitAI
AlphaFold2 ，预测蛋白质结构的扛把子，预测了几乎所有已知蛋白质，涵盖100万物种2.14亿结构。
但实验测得的结构不足20万，预测的结构是否完全正确，无人知晓。
3位博士生加1位本科生，用了多久的时间证实AlphaFold2预测的结构并不都完美这一棘手难题？
答案是2个月。

文章图片
利用“AI大模型+质谱（MS）” ， 4名同学首次提出并训练了谱图的AI语言大模型，并实现交联谱图分类模型，构建实验支撑的组学规模的空间距离信息数据库，验证预测的结构，指导结构建模。
问英雄出处？——DeeCamp2022 ，聚焦“AI+生命科学”的AI训练营。
2个月里，训练营里搞事情的不只上述一支队伍。
比如研究研究蛋白质相分离能力预测工具，蛋白结构预测酶活性、提出能取得更先进效果的AI蛋白质设计新方法……不仅玩法颇多，应用场景和商业价值也安排得妥妥的。
回顾过去几届DeeCamp ，已有诸多围绕“AI＋遗传中心法则”的项目被孵化，比如AI+基因编辑、AI+蛋白、AI+RNA等。

文章图片
对奖项点评时，大赛评委、清华大学智能产业研究院院长张亚勤发言：
生命科学领域步入数字化3.0时代， DeeCamp2022聚焦AI+生命科学，不仅代表了当下整个科学界的研究趋势，也代表了中国的科技和产业发展趋势。
今年， DeeCamp为AIforScience注入了哪些新生代力量？
有望完善AlphaFold2短板冠军团队ProteinMiner的项目是大规模蛋白质组学信息发现。
具体来说，就是利用AI+质谱技术，首次提出并训练了谱图的AI语言大模型，一方面，让质谱从头测序的精度大幅提升；另一方面，实现了交联谱图分类模型，有望使得交联谱图鉴定加速10倍。
为什么选择它作为赛题？
对疾病研究、药物研发来说，蛋白质的序列和结构信息尤为重要。

文章图片
首先提到的质谱测序技术，在蛋白质测序领域地位显著。
它有两种方法，一是依赖数据库“搜库” ，二是没有数据库从头测序。因一些未知的蛋白，根本没有对应序列数据库，深度学习技术在从头测序领域有非常大的用武之地。这也是ProteinMiner的着力点之一。
行业对测序精度的追求永无止境。
尤其面对大规模的未知序列蛋白，现有的质谱从头测序技术，仍面临精度低的问题。
为了提升大规模发现未知蛋白序列与结构信息的能力， ProteinMiner项目的立足点，就是AI与大数据驱动的蛋白质质谱测序技术。
基于此， ProteinMiner首次提出预训练的AI谱图语言大模型。
团队解释道，谱图是肽序列生成的，从谱图解析肽，如同把一种语言翻译成另一种语言，即将谱图翻译成肽序列。

文章图片
大模型加持，能够提升质谱从头测序的精度，加速免疫相关的新抗原/抗体的发现，以推动个性化免疫治疗的进程。
另一方面，蛋白质结构在药物设计等过程中也有重要作用。
计算生物界的大明星AlphaFold2虽已开源，但它一来无法准确预测蛋白复合物，二来柔性区域性能差，再者，最终得到的结果仅是“预测”的结构。
针对最后这一点，交联质谱技术可以通过高通量的实验方法，获取氨基酸之间的空间距离约束，有望为AlphaFold2提供先验的距离约束，进而改进预测的结构，有助完善其不足之处。