nature和Science两本杂志一直相爱相杀，总是喜欢争着发表科学领域中的重大发现、重要突破，抢夺大师文章的发表版权。
这次也不例外。
7月15日，DeepMind在Nature上发表了一篇论文，开源了其基于深度学习神经网络的AlphaFold 2模型。
论文链接：https://www.nature.com/articles/s41586-021-03819-2
开源代码：https://github.com/deepmind/alphafold
与此同时，在隔壁的Science上，华盛顿大学也发表了自己开发的蛋白质预测工具RoseTTAFold。RoseTTAFold不仅性能上和AlphaFold 2相当，预测蛋白质结构也「快、狠、准」。
论文链接：https://science.sciencemag.org/content/early/2021/07/14/science.abj8754
开源代码：https://github.com/RosettaCommons/RoseTTAFold
当然，RoseTTAFold最厉害的一点在于，其端到端版本在RTX2080上生成少于400个残基的蛋白质的骨干坐标只需要10分钟。
这显然让成千上万的生物学家松了一口气，毕竟一个2080还是能买得到的。
随着RoseTTAFold和AlphaFold 2的代码开源，有研究人员希望能在备受关注的两个领域方面取得新的进展：
- 预测多个相互作用的蛋白质的复合体结构；
- 新型蛋白质的设计。
论文的其中一位作者表示，很高兴自己能够为这个巨大的里程碑做出贡献。
DeepMind的创始人兼CEO表示，很期待开源代码之后能给更多研究带来的可能性。
Facebook AI的田渊栋则从AI的角度发表了对AlphaFold的看法：
蛋白质预测
蛋白质是生命的物质基础，是构成细胞的基本有机物，也是生命活动的主要承担者。 蛋白质由氨基酸通过「脱水缩合」的方式组成多肽链，经过盘曲折叠，形成具有一定空间结构的物质。 不同空间结构也就决定了蛋白质的不同功能。
一直以来，「蛋白质折叠问题」都是生物学中的一个巨大挑战。如果用暴力计算法列举出一个典型蛋白质的所有可能构型，所需的时间可能比已知的宇宙年龄还要长。 生物医学领域为了探索蛋白质复杂的3D结构，只能通过低温电子显微镜（CryoEM）、核磁共振或X射线晶体学等手段，经过大量试错才能最终确定蛋白质的结构。 理论上，一个蛋白质在确定其最终结构前，可能的折叠方式的数量是天文数字。 1969年，Cyrus Levinthal指出，通过计算列举一个典型蛋白质的所有可能构型，需要的时间比已知宇宙的年龄还要长——可能有10^300种构型。
因此，这些方法有一个巨大的缺陷：耗费大量的时间和精力。
为解决这一困难，DeepMind利用人工智能，开发了一个能够预测蛋白质结构的系统：AlphaFold。
2018年，AlphaFold在国际蛋白质结构预测竞赛（CASP）上首次亮相，获得了马克斯·普朗克发展生物学研究所（Max Planck Institute for Developmental Biology）所长、CASP评估员Andrei Lupas的高度评价：
「AlphaFold惊人的精确模型帮助我们解决一直困扰科学界的蛋白质结构问题，重新启动了学界的研究。」
预测的人类白细胞介素-12蛋白与其受体结合的结构图 预测蛋白质的3D结构则有着相当重要的作用。
其能够帮助科学家发现蛋白质功能失调，以及导致某些疾病的原因，这就为药物的研发提供了一条全新的途径，从而能够快速地进行医疗治疗。
AlphaFold 2：原子级精度
DeepMind的AlphaFold 2模型在2020年的蛋白质结构预测比赛（CASP）取得了出色的成绩。 比赛的评分中位数达到了92.4 GDT。也就是预测的均方根误差约为1.6埃，相当于一个原子的宽度（或0.1纳米）。 即使是最难的蛋白质目标，评分中位数也能达到87.0GDT。
AlphaFold 2可以在不到10分钟的时间内预测出接近晶体结构精度的蛋白质结构。
研究人员对AlphaFold2方法的进展进行了概括：
- 从多个序列排列（MSA）开始，而不是从MSA得出的反协方差矩阵等更多处理过的特征开始；
- 用注意力机制取代二维卷积，更好地代表沿序列远处残基之间的相互作用；
- 使用双轨网络结构，其中一维序列水平和二维距离图水平的信息被迭代转换并来回传递；
- 使用SE(3)-Transformer网络来直接完善由双轨网络生成的原子坐标（而不是像以前的方法那样的二维距离图）；
- 端到端学习，其中所有网络参数通过反向传播从最终生成的三维坐标通过所有网络层回到输入序列来优化。
