#今日论文推荐#AI+生物学计算应用愈加广泛，科学家使用深度学习不断实现更高水平蛋白质结构预测

从蛋白质角度来说，共进化是指如果两个氨基酸在三维空间当中靠得比较近，其中一个氨基酸变异了，另一个氨基酸也会发生变异，以保证蛋白质结构的稳定性。许教授之前开发的蛋白质结构预测算法主要利用的就是共进化信息，该信息对自然界的蛋白质来说是必要的。
而该团队此次不使用共进化信息，针对的是另外两种应用场景，一是人工设计的蛋白质，二是两个或者三个蛋白质的结合体。
此外，研究结果表明，ResNet 并不是简单地去除共进化信号中的噪音，而是可以学习重要的蛋白质序列结构关系。这对蛋白质设计和工程有重要意义，尤其是在无法获得共进化的情况下。
随后，他们又在另一项研究中使用图神经网络提出新的蛋白质预测模型优化策略 GNNRefine，该策略不仅代替了需要耗费过多计算资源的传统物理学方法，而且在蛋白质模型优化方面胜过了 ResNet。
那么，为什么深度学习能够在蛋白质结构预测领域取得成功呢？近日，在未来论坛主办的 2022《理解未来》首期科学讲座——“AI + 蛋白质结构和功能预测”活动中，许锦波教授分析了相关原因。
他指出，深度学习基于的是现有的理论基础，特别是进化论；而同一个家族的蛋白质结构是相似的，同一个蛋白质空间相邻的氨基酸是互相影响、共同进化的。因此，在好的理论基础及充足训练数据的帮助下，研究人员可以开发出非常有效的深度学习算法。他们之所以现在能够把蛋白质结构预测做好，就是因为其有大量的蛋白质序列和一定数量的蛋白质结构，可以根据同一个家族里的蛋白质的进化关系推断原子在空间中的距离，并学习到同一个蛋白质中氨基酸的共进化关系。
事实上，不止蛋白质结构预测，当前，AI 在生物学上的应用已越来越广泛。许锦波表示，生物学领域有太多没有解决的问题，而AI能够通过已有的生物学数据理解、解决并且优化这些问题。未来，AI 还将在蛋白质的优化和设计、基因编辑、基因组学、药物递送等方面发光发热。
除学术类的应用外，AI 与生物学的结合也在现实生活中发挥了非常大的作用，如可用于疾病诊断的 AI 影像、自动化 AI 制药等。

论文题目：Improved Protein Structure Prediction By Deep Learning Irrespective Of Co-Evolution Information
详细解读：https://www.aminer.cn/research_report/6279cad47cb68b460fb43e66?download=falsehttps://www.aminer.cn/research_report/6279cad47cb68b460fb43e66?download=false
AMiner链接：https://www.aminer.cn/?f=cs