文章主题：Meta, ESMFold, AlphaFold, 蛋白质结构预测
智东西
编译 | 周炎
编辑 | 云鹏
🌟【Meta VS DeepMind】🔥科技巨头对决！🔍《华尔街日报》深度解析！🔍🚀Meta与DeepMind两大科技巨擘最近在蛋白质结构预测领域展开了一场备受瞩目的较量！📚《华尔街日报》近日揭秘了ESMFold与AlphaFold的神秘面纱，这两款革命性的模型正引领着科研界的前沿技术浪潮。🔥💡ESMFold，Meta的创新之作，凭借其先进的算法和强大的计算能力，犹如精密的生物解剖师，精准解析蛋白质结构。🛠️而DeepMind的AlphaFold，以其人工智能的智慧，如同超凡的DNA拼图大师，同样展现出令人惊叹的预测精度。📚开发过程中的技术突破与团队努力，成为这场科技盛宴的关键所在。 kode by Meta和AI genius at DeepMind，他们的执着与创新，为科学探索提供了无尽可能。🌟👀虽然Meta和DeepMind在这一领域旗鼓相当，但它们的竞争无疑将推动整个行业向前发展，让我们期待未来更多的科技突破！🌐记得关注我们，获取更多科技动态和深度解析！👇#MetaVSDeepMind #蛋白质结构预测 #科技创新
🌟DeepMind’s Game-Changing Breakthrough: Revolutionizing Protein Structure Analysis 🚀After years of relentless pursuit, the scientific community has been thrilled by a remarkable achievement from DeepMind, the AI trailblazer. The tech giant has successfully employed its advanced artificial intelligence (AI) to tackle a long-standing puzzle that had stumped researchers for half a century, effectively replacing time-consuming and costly laboratory methods with speed and efficiency. 🤝This groundbreaking discovery has significant implications for various fields, including drug and vaccine development, where understanding protein structures is crucial, and climate change research, where accurate data is vital. By streamlining this process, DeepMind’s AI-driven approach paves the way for more precise and cost-effective research in these domains. 🛠️The significance of this leap in technology cannot be overstated, as it not only accelerates scientific progress but also opens doors to innovative solutions that were previously out of reach. Embrace the future of science with DeepMind’s AI-powered revolution! 💡
🌟【科技巨头竞相破晓】🔥AlphaFold2震撼登场，2021年7月，DeepMind引领生物计算新纪元，震惊全球！🔍它以惊人的精准，成功解析了几乎所有的蛋白质结构迷宫，成为生命科学领域的闪耀明星。🚀仅仅三个月后，Meta的科研团队也不甘示弱，在《自然》杂志上发表了突破性论文，展示了他们研发的ESMFold模型——一个蛋白质结构预测能手，解锁了约6亿种来自微生物世界的神秘蛋白质结构。🔍令人惊叹的是，相较于AlphaFold2，ESMFold在短序列上的预测速度快如疾风，提升了近60倍！🚀这一速度上的飞跃，无疑为探索未知生物世界带来了前所未有的效率提升。🏆未来，这些科技巨头的创新将如何改写生命科学的篇章？让我们拭目以待！🌐
一、ESMFold加入战局，14天内预测超6亿种蛋白质结构🌟氨基酸序列解锁蛋白质秘密：科学难题中的AI革命🌟预测复杂生物分子——蛋白质的三维结构，一直是科研领域的棘手问题。从一级到四级，每个层次的结构变化都揭示着生命活动的秘密。蛋白结构预测，就是从简单的线性链推导出折叠、二级、三级乃至四级的精妙形态。氨基酸序列的多样性，犹如宇宙中的星辰数量，无穷无尽。幸运的是，AI技术正以惊人的速度引领蛋白质解析的新篇章。它像一位高效的探索者，通过精准计算和学习能力，帮助科学家们破译这些复杂的密码。借助AI的力量，我们有望更快速、准确地揭示蛋白质的多样性和功能，开启生命科学的新纪元。🌍💪
🌟【AI蛋白质结构预测新突破】🚀AlphaFold2凭借其先进的进化算法训练的神经网络，已经在蛋白质结构预测领域取得了显著成就。相比之下，ESMFold则独树一帜，利用ESM-2的强大学习能力和表达方式，实现了端到端的3D结构预测，颠覆了传统的预测方法。这两种技术虽各有千秋，但都引领着该领域的前沿探索。🌟
🌟🚀ESMFold, the advanced language model 🧬🔍, operates on a similar principle to ChatGPT but with a unique twist. Unlike its predecessor AlphaFold2 that relies on structural and sequence matching, ESMFold harnesses language learning model’s internal representations for prediction. This eliminates the need for explicit homologous sequences, allowing it to accept a single sequence as input only.✨What sets ESMFold apart is its seamless end-to-end architecture, making it a GPU-friendly protein structure predictor that doesn’t require any database access. It’s a game-changer in bioinformatics, streamlining the process and boosting efficiency.🌍💻Don’t miss out on the groundbreaking technology driving this innovation – explore the possibilities of ESMFold today! 🔍💡
研究人员曾经做过试验，在单个NVDIA V100 GPU上，使用较少参数的ESMFold在14.2秒被对具有384个残基进行预测，可比单个AlphaFold模型能够实现的预测速度快6倍，而在较短的序列上，研究人员甚至看到约60倍的提速。
据悉，ESMFold蛋白质模型背后的团队由Meta AI资深研究科学家Alexander Rives主导，该团队专注于大规模蛋白质序列和结构数据的无监督表示学习模型研究。
2017年，欧洲生物信息研究所发布的显示了AlphaFold模拟人类的蛋白质结构，来源：法国新闻社
Meta AI研究科学家Alexander Rives说：“这些蛋白质极其多样，人类对它们知之甚少，为了数量规模庞大的蛋白质，研究人员需要在预测速度上取得突破。”他还称，使用大型语言模型，ESMFold能够在两周内预测超过6亿种蛋白质。
作为测试案例，Meta AI将ESMFold用于来自环境来源（包括土壤、海水、人类肠道、皮肤和其他微生物栖息地）的批量测序“宏基因组”DNA数据库。绝大多数编码潜在蛋白质的DNA条目来自从未培养过且科学未知的生物体。
自从DeepMind取得突破以来，人们对AI在生物学中的应用产生了巨大的兴趣。AlphaFold是蛋白质结构预测方面取得的一大进步，这也进一步激发了深度学习的浪潮。
二、曾取得CASP最好成绩，AlphaFold将被用于治疗疾病目前，DeepMind开源了AlphaFold2的代码，让社区可以免费使用，目前约2.4亿的几乎所有已知的蛋白质都可以查到。此前，研究人员花费几个月或几年时间才能预测蛋白质的结构。投资生命科学技术的成长型股票公司Biospring Partners联合创始人詹妮弗卢姆（Jennifer Lum）称，AlphaFold缩短了这个过程，使这些团队能够将他们的时间转移到下游的研究和产品开发上，进入其他增值领域。
2018年，AlphaFold1在两年一度的CASP实验中取得了最好的成绩。团队又花了大量时间跟踪CASP，尝试不同的方法来改进AlphaFold，测试它们是否可以匹配实验蛋白质结构的准确性。
Jumper称，这个团队一直工作到2019年，他才真正相信这个团队能够完成它的使命。传统而言，生物学家使用基于X射线和其他技术的实验室技术来理解单一蛋白质结构，但据Jumper称，这一过程不仅要花费数年时间，还活花费10万美元。
John Jumper领导了机器学习应用蛋白质生物学的新方法开发，来源：DeepMind官网
虽然计算方法在理解蛋白质结构方面取得进展，但是目前这项技术还不够完善。无法取代实验室方法。最初的AlphaFold模型试验AI预测氨基酸对之间的距离，第二步利用这些距离分布来得到蛋白质的预测结构。其中第二步涉及到AlphaFold，它利用这些信息，提出了一个关注蛋白质是什么样子的共识模型，而无需AI。
Jumper称，研究小组正在把注意力转向蛋白质创新的新挑战。研究小组正在寻求了解突变与蛋白质功能变化之间的联系，这可以帮助治疗疾病。
结语：AI赋能药物研发具有巨大潜力作为蛋白质结构预测大模型，ESMFold在速度上快于AlphaFold2约60倍。如果在实际计算中，这一速度优势表现得更加明显。同时推断速度优势使得基于计算有效映射大型宏基因组序列数据库的结构空间成为可能。
ESMFold还可以被用于进行快速准确的结构预测，进一步帮助发现新的蛋白质结构和功能。未来，ESMFold或将超越预测蛋白质的静态结构，进一步研究蛋白质的动态结构。当这两个领域的研究都完成后，通过AI赋能新药设计就具备了基础，而从长远看，这具有巨大的潜力。
来源：《华尔街日报》
AI时代，掌握AI大模型第一手资讯！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
扫码右边公众号，驾驭AI生产力！
