网红广告案例分析

meigefangjiandoukeyisuixinsuoyudidingzhi，huozhecongwomenxuduojingxincehuadejiajutaozhuangzhongtiaoxuan。xuanxiangshiwuxiande！yuhaoyouyiqizuduiqucanyukuafuzhandou，zaisuoyouwanjiamianqianzhanshizijidecaozuojishu；zengjiacaimiyudeneirong。jingzhunshikebiaotianjiayonghuxingchenggongneng；keyigenjuzijidexuqiusuishixuanzeganxingqudezangpin。jiaoyigengrongyi。顛(dian)覆(fu)蛋(dan)白(bai)結(jie)構(gou)預(yu)測(ce)的(de)AlphaFold 2，改(gai)變(bian)了(le)科(ke)學(xue)史(shi)

新(xin)智(zhi)元(yuan)報(bao)道(dao)

編(bian)輯(ji)：Britta

【新智元導(dao)讀(du)】現(xian)在(zai)，由(you)DeepMind開(kai)發(fa)的蛋白質(zhi)预测工(gong)具(ju)AlphaFold 2，不(bu)僅(jin)已(yi)經(jing)被(bei)超(chao)過(guo)100萬(wan)名(ming)研(yan)究(jiu)人(ren)員(yuan)用(yong)於(yu)自(zi)己(ji)的研究，甚(shen)至(zhi)直(zhi)接(jie)「改变了」科学史。

牛(niu)津(jin)大(da)学教(jiao)授(shou)Matthew Higgins正(zheng)在與(yu)壹(yi)個(ge)经典(dian)的令(ling)人頭(tou)痛(tong)的問(wen)題(ti)作(zuo)鬥(dou)爭(zheng)：蛋白质到(dao)底(di)是(shi)什(shen)麽(me)樣(yang)子(zi)的？

自2005年(nian)以(yi)來(lai)，他(ta)的實(shi)驗(yan)室(shi)就(jiu)一直在關(guan)註(zhu)于瘧(nue)疾(ji)的相(xiang)关问题。

傳(chuan)統(tong)技(ji)術(shu)只(zhi)能(neng)生(sheng)成(cheng)蛋白质结构的模(mo)糊(hu)輪(lun)廓(kuo)，這(zhe)讓(rang)Higgins感(gan)到困(kun)惑(huo)。

不过，通(tong)过使(shi)用一種(zhong)名為(wei)AlphaFold 2的新人工智能技术，他破(po)解(jie)了导致(zhi)疟疾的寄(ji)生蟲(chong)所(suo)使用的一种关鍵(jian)蛋白质的结构。

这項(xiang)突(tu)破幫(bang)助(zhu)他开发了一种实验性(xing)疟疾疫(yi)苗(miao)，目(mu)前(qian)正在進(jin)行(xing)人體(ti)测試(shi)。

疟疾每(mei)年导致600多(duo)万人死(si)亡(wang)，而(er)这些(xie)疫苗可(ke)能是對(dui)抗(kang)該(gai)疾病(bing)的关键。他說(shuo)，如(ru)果(guo)沒(mei)有(you)AlphaFold，我(wo)們(men)可能仍(reng)在碰(peng)壁(bi)。

從(cong)Higgins的成就中(zhong)不難(nan)看(kan)出(chu)，AlphaFold 2正在迅(xun)速(su)颠覆科学和(he)醫(yi)学。

在短(duan)短幾(ji)年內(nei)，Alphabet旗(qi)下(xia)的人工智能初(chu)創(chuang)公(gong)司(si)DeepMind已经从贏(ying)下圍(wei)棋(qi)比(bi)賽(sai)，成長(chang)到可以解決(jue)生物(wu)学的巨(ju)大挑(tiao)戰(zhan)，而现在它(ta)已经被超过100万的研究人员使用，有大学的研究人员，也(ye)有大藥(yao)廠(chang)的研究人员。

DeepMind首(shou)席(xi)執(zhi)行官(guan)Demis Hassabis去(qu)年在一个播(bo)客(ke)節(jie)目中说：「AlphaFold令人驚(jing)訝(ya)，但(dan)这只是一个开始(shi)」。

从赢下围棋，到改变科学史

如今(jin)，蛋白质是几乎(hu)所有药物的主(zhu)要(yao)靶(ba)點(dian)，因(yin)此(ci)了解蛋白质结构，是解决如何(he)通过特(te)定(ding)方(fang)式(shi)幹(gan)预疾病表(biao)型(xing)的关键。

在AlphaFold之(zhi)前，尋(xun)找(zhao)蛋白质的结构是一项艱(jian)巨的任(ren)務(wu)。

传统的方法(fa)是研究人员对蛋白质进行结晶(jing)，將(jiang)其(qi)变成一种蛋白质很(hen)抵(di)制(zhi)的鹽(yan)分(fen)形(xing)式。如果这一步(bu)奏(zou)效(xiao)，他们就用X射(she)線(xian)轟(hong)擊(ji)每个晶体，觀(guan)察(cha)電(dian)子如何从它身(shen)上(shang)反(fan)彈(dan)以產(chan)生圖(tu)像(xiang)。

通过反復(fu)进行这一过程(cheng)，科学家(jia)们可以了解到一个蛋白质的3D结构。

Higgins说，一个博(bo)士(shi)生可能需(xu)要花(hua)一兩(liang)年的時(shi)間(jian)才(cai)能发现一种新的结构，但是结果往(wang)往是模糊、不確(que)定的。

DeepMind首席执行官Demis Hassabis是一名國(guo)際(ji)象(xiang)棋神(shen)童(tong)，也是人工智能的布(bu)道者(zhe)。他于 2010 年创立(li)了 DeepMind，目標(biao)是构建(jian)能夠(gou)像人類(lei)一样执行某(mou)些任务的人工智能系(xi)统，甚至能够比人类做(zuo)得(de)更(geng)好(hao)。

2016年，DeepMind的人工智能系统AlphaGo在围棋比赛中击敗(bai)了世(shi)界(jie)級(ji)棋手(shou)。

在围棋勝(sheng)利(li)之後(hou)，Hassabis和DeepMind的頂(ding)级科学家David Silver决定，是时候(hou)从围棋比赛，轉(zhuan)向(xiang)解决现实世界的问题了。

于是他们开始转攻(gong)蛋白质的问题，而生物学家John Moult數(shu)十(shi)年的工作为DeepMind进入(ru)生物学鋪(pu)平(ping)了道路(lu)。

1994年，他创辦(ban)了CASP 蛋白质结构预测大赛（Critical Assessment of Protein Structure Prediction）。

參(can)赛者會(hui)被分到大約(yue)100个未(wei)知(zhi)的蛋白的氨(an)基(ji)酸(suan)序(xu)列(lie)，这些蛋白质的三(san)结构已经是确定的但並(bing)未公布过。

参赛團(tuan)隊(dui)将有几个月(yue)的时间去研发和使用数学模型以解决这些未知的结构。Moult会对他们的预测进行準(zhun)确性評(ping)分。滿(man)分100，超过90就表明(ming)结构预测接近(jin)完(wan)美(mei)。

DeepMind在2018年的CASP会議(yi)上进行了首次(ci)公开嘗(chang)试。AlphaFold的第(di)一个版(ban)本(ben)赢得了比赛并击败了世界标准。在比赛中，獲(huo)胜者的预测准确率(lv)通常(chang)为40%左(zuo)右(you)，而AlphaFold的成績(ji)是60%。

雖(sui)然(ran)这个成绩让人眼(yan)前一亮(liang)，但AlphaFold的预测有很多錯(cuo)誤(wu)，還(hai)不够完美。Hassabis 想(xiang)做得更好。

在CASP结果公布前几个月，AlphaFold背(bei)后的顶级科学家之一John Jumper正在与他的团队一起(qi)規(gui)劃(hua)，想要对该技术进行漸(jian)进式的改进。

Hassabis 卻(que)出人意(yi)料(liao)地(di)叫(jiao)停(ting)他们，大概(gai)意思(si)是「用现在的模型解决这个问题是不是太(tai)难了？是不是做个別(bie)的模型？」

那(na)次談(tan)話(hua)之后，Jumper就拋(pao)棄(qi)了AlphaFold的第一个版本，直接从头开始。Jumper说，「AlphaFold 2是在对蛋白质有更多生物和物理(li)知識(shi)的基礎(chu)上构建的。」

在2020年年底的CASP上，AlphaFold 2交(jiao)出了答(da)卷(juan)，预测蛋白质结构的准确率達(da)到了近90%，遠(yuan)远高(gao)于其他参赛選(xuan)手。專(zhuan)家们認(ren)为它有效地解决了这个问题。

「那一刻(ke)，我知道我们改变了科学史，」Jumper说。

生命(ming)科学領(ling)域(yu)的爆(bao)炸(zha)性增(zeng)长

在CASP之后的几个月裏(li)，DeepMind行動(dong)迅速。

该团队在2020年聖(sheng)誕(dan)节前后预测了人体中的所有2万种蛋白质。这些结果于2021年7月与軟(ruan)件(jian)的代(dai)碼(ma)一起发表在Nature的一篇(pian)开创性論(lun)文(wen)中，该论文已被引(yin)用超过8800次，也就是说每天(tian)约被引用15次。

Hassabis 说，决定免(mian)費(fei)发布AlphaFold 2是为了最(zui)大限(xian)度(du)地造(zao)福(fu)人类。

據(ju)CNBC报道，DeepMind作为Alphabet的子公司，通过向Alphabet的其他公司，如YouTube和谷(gu)歌(ge)，出售(shou)软件和服(fu)务来賺(zhuan)錢(qian)。

而后，Hassabis在2021年成立了生物技术初创公司Isomorphic Labs，潛(qian)心(xin)研究药物。与此同(tong)时，AlphaFold 2也一直在運(yun)转，在去年夏(xia)天发布了2億(yi)份(fen)蛋白质结构预测结果。

研究的步伐(fa)正在迅速加(jia)快(kuai)。

根(gen)据生物医学研究目錄(lu)PubMed的数据，2020年只有4篇论文参考(kao)了AlphaFold。这一数字(zi)在2021年增长到92篇，2022年增长到546篇。2023年将会有超过1000篇论文。

药物研究的加速器(qi)

一些生物技术公司现在正在使用AlphaFold 2来开发药物。

「AlphaFold向人们展(zhan)示(shi)了可能性，从而引发了一波(bo)创新浪(lang)潮(chao)。」波士頓(dun)初创公司AI Proteins的首席科学家Chris Bahl说，该公司也使用AlphaFold帮助开发药物。

在2019年，Raphael Townshend作为DeepMind实習(xi)生，在AlphaFold工作，當(dang)时他正在完成斯(si)坦(tan)福大学的計(ji)算(suan)機(ji)科学博士学位(wei)。

现在，他在舊(jiu)金(jin)山(shan)经營(ying)著(zhe)一家名为Atomic AI的创業(ye)公司，希(xi)望(wang)开发他所謂(wei)的「RNA的AlphaFold」。

RNA读取(qu)我们的遺(yi)传密(mi)码（DNA）中的指(zhi)令，在体内创造蛋白质。

他的公司想要预测RNA分子的结构，并且(qie)希望利用这些研究来开发药物。其他生物技术公司也在将AlphaFold与其他AI技术结合(he)使用，来快速、廉(lian)價(jia)地发现潜在的新药。

例(li)如，初创公司Insilico Medicine将自己的人工智能系统与AlphaFold一起使用，来設(she)计可以阻(zu)斷(duan)与肝(gan)癌(ai)相关的蛋白质的分子。它创造了其中一个分子，并使用实验室测试来确认它可以发揮(hui)作用。该公司在1月份发表了这项研究。

该公司的首席执行官Alex Zhavoronkov聲(sheng)稱(cheng)，他的团队从找到药物靶点到设计药物并在实验室进行测试，只花了大约50天，不到100万美元，他认为这是药物开发一个記(ji)录。

Zhavoronkov的办公室里放(fang)着Hassabis的照(zhao)片(pian)，「AlphaFold是一个絕(jue)妙(miao)的发现，但它是一个巨大的樂(le)高拼(pin)图中的一部(bu)分，妳(ni)需要擁(yong)有这个拼图才能成功(gong)地将药物投(tou)放市(shi)場(chang)。」

不过，虽然这项人工智能的技术让药物研发变得更加快速容(rong)易(yi)，但是由于臨(lin)床(chuang)试验的费用，该公司并不打(da)算将其药物推(tui)进人体研究，因为在动物和人类身上进行测试的过程仍然需要許(xu)多年和数亿美元。

下一步是什么

人工智能在生物技术方面(mian)的潜力(li)是有限的。

AlphaFold的预测并不總(zong)是完美的，这个预测模型在解决一小(xiao)群(qun)未知蛋白质方面非(fei)常准确，但这并不能保(bao)證(zheng)所有预测的结构都(dou)是正确的。

牛津大学的Higgins说，他自己会用实验室的实验来再(zai)次核(he)查(zha)人工智能的预测，因此他对完全(quan)依(yi)賴(lai)于AlphaFold预测的研究论文持(chi)謹(jin)慎(shen)態(tai)度，因为其中缺(que)少(shao)实验验证这一環(huan)。

盡(jin)管(guan)存(cun)在这些限制，但AlphaFold 2已是一项重(zhong)大突破，甚至激(ji)起了諾(nuo)貝(bei)爾(er)獎(jiang)的討(tao)论，尤(you)其是在它赢得了2022年300万美元的突破奖之后。

華(hua)盛(sheng)顿大学计算机科学教授Pedro Domingos表示，AlphaFold团队的研究是更深(shen)層(ceng)次的，像是蛋白质如何与其他蛋白质或(huo)小分子相互(hu)作用，这样问题是十分有意義(yi)的。

未来他们的研究会越(yue)来越难，也不清(qing)楚(chu)AI是否(fou)能够胜任接下来的研究。但是Domingos认为，DeepMind的团队非常優(you)秀(xiu)，所以他对其未来发展很是看好。

DeepMind已经在遗传学和预测更复雜(za)的蛋白质相互作用方面做出了一些研究，但是他们下一个瞄(miao)准的什么重大生物学问题还依旧保持神秘(mi)，并未透(tou)露(lu)，所以未来的其他机构、公司对它技术的應(ying)用也将「越来越难把(ba)握(wo)」。

DeepMind的Jumper表示，他的AlphaFold团队专注于清除(chu)生物学研究中的下一个重大障(zhang)礙(ai)。但这仍然是一个秘密。

「我有我的理论，关于这可能走(zou)向何方，这是什么样的技术，以及(ji)未来可能的情(qing)況(kuang)，我不会透露。」

参考資(zi)料：

https://www.businessinsider.com/deepmind-alphafold-ai-origin-story-impact-on-biotech-2023-2返(fan)回(hui)搜(sou)狐(hu)，查看更多

責(ze)任编辑：