技術(shù)原理：

2020年12月，谷歌人工智能 AlphaFold2在CASP14比賽中，以摧枯拉朽之勢(shì)擊敗了所有對(duì)手，成功根據(jù)氨基酸序列預(yù)測(cè)了生命基本分子蛋白質(zhì)的三維結(jié)構(gòu)。AlphaFold2使用多序列比對(duì)，將蛋白質(zhì)結(jié)構(gòu)整合到算法。2018年的AlphaFold使用的神經(jīng)網(wǎng)絡(luò)是類(lèi)似ResNet的殘差卷積網(wǎng)絡(luò)，到了AlphaFold2則借鑒了AI研究中近來(lái)新興起的Transformer構(gòu)架。Transformer使用注意力機(jī)制興起于NLP領(lǐng)域，用于處理一連串的文本序列。而氨基酸序列正是和文本類(lèi)似的數(shù)據(jù)結(jié)構(gòu)，AlphaFold2利用多序列比對(duì)，把蛋白質(zhì)的結(jié)構(gòu)和生物信息整合到了深度學(xué)習(xí)算法中。

應(yīng)用方向：

通過(guò)同源建模預(yù)測(cè)蛋白質(zhì)的三維結(jié)構(gòu)，可預(yù)測(cè)蛋白質(zhì)之間的功能是否發(fā)生變化；計(jì)算藥物虛擬篩選即蛋白質(zhì)與小分子對(duì)接；預(yù)測(cè)蛋白與蛋白的互作結(jié)合位點(diǎn)，為突變位點(diǎn)的設(shè)計(jì)提供重要的參考。對(duì)于癌癥的預(yù)測(cè)、藥物靶點(diǎn)的選擇、新藥物的研究具有重大貢獻(xiàn)。

專(zhuān)業(yè)服務(wù)優(yōu)勢(shì)：

團(tuán)隊(duì)陣容：國(guó)內(nèi)知名高效的結(jié)構(gòu)生物學(xué)博士，碩士，項(xiàng)目經(jīng)驗(yàn)豐富。

專(zhuān)業(yè)性：高配的顯卡設(shè)備，專(zhuān)業(yè)的協(xié)同團(tuán)隊(duì)。

周期性：速度快，性?xún)r(jià)比高。

示例展示：

AlphaFold2用初始氨基酸序列與同源序列進(jìn)行比對(duì)，直接預(yù)測(cè)蛋白質(zhì)所有重原子的三維坐標(biāo)。從模型圖中可以看到，輸入初始氨基酸序列后，蛋白質(zhì)的基因信息和結(jié)構(gòu)信息會(huì)在數(shù)據(jù)庫(kù)中進(jìn)行比對(duì)。序列比對(duì)的目標(biāo)是使參與比對(duì)的序列中有盡可能多的序列具有相同的堿基，這樣可以推斷出它們?cè)诮Y(jié)構(gòu)和功能上的相似關(guān)系。比對(duì)后的兩組信息會(huì)組成一個(gè)48 block的Evoformer塊，然后得到較為相似的比對(duì)序列。比對(duì)序列進(jìn)一步組合8 blocks的結(jié)構(gòu)模型，從而直接構(gòu)建出蛋白質(zhì)的3D結(jié)構(gòu)。末尾兩步過(guò)程還會(huì)進(jìn)行3次循環(huán)，可以使預(yù)測(cè)更加準(zhǔn)確。

參考文獻(xiàn)：

[1] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021 Aug; 596(7873):583-589. doi: 10.1038/s41586-021-03819-2. Epub 2021 Jul 15. PMID: 34265844; PMCID: PMC8371605.

[2] GitHub - deepmind/alphafold: Open source code for AlphaFold.