社交账号登录

社交账号登录

0/34

上传头像

拖拽或者缩放虚线框,生成自己满意的头像

头像

预览

忘记密码

设置新密码

智能

AI 在研究蛋白质结构上更胜一筹,大公司的研究者却对此不屑一顾

Cade Metz2019-02-12 06:33:26

“不是机器将取代药剂师,而是使用机器的药剂师将取代那些不使用机器的药剂师。”

本文只能在《好奇心日报》发布,即使我们允许了也不许转载*

旧金山电 — 你可以把它(指下文的竞赛)看作生物化学研究的世界杯。

每两年,一场全球竞赛都会吸引成百上千的科学家踊跃参加。这些科学家希望通过解决他们称之为“蛋白质折叠问题”的生物谜题,试图预测人体蛋白质的三维形状。没有人知道如何解决这个难题。即便是获胜者也只是找到了一点点思路而已。可是,如果能够解决这个难题,科学家制造新药、抵御疾病的方式将得以简化。

穆罕默德·阿尔库雷希(Mohammed AlQuraishi)是一名生物学家,一直致力于这类研究。去年 12 月初,他飞往墨西哥坎昆参加比赛,学者们在那里共同探讨最新赛事的研究成果。他入住了加勒比海沿岸的五星级酒店,得知比赛结果后,心中充满忧伤。

在这场名为“结构预测的关键评估”(Critical Assessment of Structure Prediction)的比赛中,Google 母公司拥有的人工智能实验室 DeepMind 击败了人类学者,获得胜利。

哈佛大学医学院(Harvard Medical School)研究人员阿尔库雷希博士称:“我既感到惊讶又觉得沮丧。他们的研究比其他学者都领先得多。”

DeepMind 擅长“深度学习”,它正在迅速改变药物发现的科学。考虑到制造新药的过程纷繁复杂、旷日持久,越来越多的公司正在把类似的方法运用到该过程的其他部分。这些人工智能技术可在很多方面加速药物的发现,在一些情况下,还可完成通常由科学家处理的任务。

德里克·洛尔(Derek Lowe)长期致力于药物发现的研究,也是大受欢迎的药物发现主题博客“在酝酿中”(In the Pipeline)的博主。洛尔指出:“不是机器将取代药剂师,而是使用机器的药剂师将取代那些不使用机器的药剂师。”

参加完坎昆讨论会后,阿尔库雷希博士发布博客叙述了自己的经历。他表示,自己已经从输给 DeepMind 的忧伤中走出来,认为这是“对科学进步价值更加理性的评估”。

但他对默克和诺华等大型制药公司以及他所在的学术圈进行了猛烈抨击,因为它们的研究没有跟上时代的步伐。

阿尔库雷希博士在博客中写道:“从此以后,希望从事蛋白质结构研究的最聪明和最有雄心的研究人员将指望从 DeepMind 寻找机会,而不是默克或诺华。这个事实照理说应该让制药公司的高管感到背脊发凉,但实际上却不会。因为这些高管对专业知识一窍不通,缺乏明确的目标,只知道在领导位置上睡大觉。”

大型制药公司看待这种情况的角度有所不同。默克没有探索蛋白质折叠这一领域,因为默克的研究人员认为蛋白质折叠在多年以后才可能产生影响;尽管如此,默克目前还是把深度学习应用在了其药物发现过程的其他方面。

“我们必须(将深度学习)和许多其他方面联系起来。”默克计算与结构化学部门的助理副总裁胡安·阿尔瓦雷斯(Juan Alvarez)称。

2016 年春季,DeepMind 研究团队开发出一种人工智能系统,具备玩复杂游戏的能力,对弈围棋这种古老的棋盘游戏也不在话下,一度占领了媒体的头版头条。此后,DeepMind 研究人员为了寻找新的挑战,在位于伦敦的公司总部举办了“黑客马拉松”大赛(hackathon)。

DeepMind 研究人员里奇·埃文斯(Rich Evans)与另外两名计算机科学家合作,对蛋白质折叠进行了研究。他们找到了模拟这种科学任务的游戏,并建立了一个能够自主学习如何玩游戏的系统。结果表明获得成功的希望很大,因此 DeepMind 决定正式启动此项目的研究。

蛋白质折叠提出了一个非常明确的问题:你能够预测蛋白质的物理结构吗?或者说,你能够预测出蛋白质的三维形状吗?

如果科学家能够预测蛋白质的形状,那么他们就能够更好地确定其他分子与蛋白质“结合”的方式(即其他分子以物理形式附在蛋白质上的方式),而这恰恰是药物开发的一种方式。药物在人体内与特殊的蛋白质结合并改变蛋白质的活动方式,从而发挥药效。

在上一届结构预测的关键评估比赛中,DeepMind 通过使用“神经网络”做出了这类预测;神经网络是个复杂的数学系统,具备通过分析海量数据学习任务的能力。在完成对成千上万蛋白质的分析后,神经网络可以学习预测其他蛋白质的形状。

这与对你发布在 Facebook 上的照片进行人脸识别所采用的深度学习技术相同。过去 10 年,深度学习已经彻底改变了各种互联网服务、消费品机器人装置以及科学研究的其他领域

很多参赛的学者使用的方法与 DeepMind 所用的类似。但 DeepMind 以相当大的优势赢得了比赛:与专家预计的比赛获胜者预测的准确程度相比,DeepMind 的准确程度提高了几乎两倍。

DeepMind 大获全胜,这表明未来生物化学研究更常见的驱动因素将会是机器以及监控这些机器的人员。

这种类型的人工智能研究得益于海量计算能力,DeepMind 可依赖于支撑 Google 的海量计算机数据中心。DeepMind 人工智能实验室也雇佣了大量世界级顶尖人工智能研究人员,这些员工深谙如何充分利用 DeepMind 这个硬件。

“它能够让我们更加富于创造性,可以尝试更多的想法,经常以并行的方式。”DeepMind 联合创始人兼首席执行官德米斯·哈萨比斯(Demis Hassabis)指出;据报道,2014 年 Google 斥资 6.5 亿美元收购了 DeepMind。

各大高校和大型制药公司不大可能拥有与 DeepMind 相匹敌的资源。不过,多亏了Google 和其他科技巨头提供的云计算服务,计算能力的价格不断下跌。阿尔库雷希博士敦促生命科学界把更多的注意力转移至 DeepMind 从事的这种类型的人工智能工作。

一些研究人员已经开始把关注焦点转移到此方向。众多初创公司,比如旧金山的 Atomwise 和盐湖城的 Recursion,正在使用相同的人工智能技术以加速药物发现的其他方面的研究。Recursion 运用了神经网络和其他方法,以分析细胞图像并学习新药如何对这些细胞产生影响。

大型制药公司也开始探索这些方法,有时采用与初创公司建立合作关系的方式。

“从事这个领域的人数有上升趋势。”诺华化学生物学与治疗学数据科学部门主管杰里米·詹金斯(Jeremy Jenkins)指出。“这就像让一艘大船转向,我认为这些方法将最终根据我们整个公司的规模而适度改变。”

哈萨比斯指出,DeepMind 致力于解决蛋白质折叠问题的研究。但很多专家称,即使解决了蛋白质折叠问题,在医生和病人以任何实用方式得益于该研究成果前,还有很多工作需要做。

“这只是第一步。还有更多其他步骤需要完成。”华盛顿大学蛋白质设计研究所(Institute for Protein Design)所长戴维·贝克(David Baker)称。

例如,随着科学家对人体蛋白质的理解加深,他们也一定能够开发出作候选药物之用的新型蛋白质。目前,贝克博士认为,对于药物发现来说,开发蛋白质比正在探索的“折叠”方法更重要;他说,开发蛋白质的任务不适合于 DeepMind 式的人工智能。

DeepMind 研究人员把重点放在游戏和比赛方面,因为这些领域可以明确展示人工智能的进步。但这种方法是能否运用到其他任务上,还尚不明确。

阿尔瓦雷斯博士称:“考虑到药物发现的复杂性,我们需要多种多样的工具。没有放之四海而皆准的解决办法。”


翻译:熊猫译社 夏晴

题图版权:T.M. Detwiler/The New York Times

© 2019 THE NEW YORK TIMES

喜欢这篇文章?去 App 商店搜 好奇心日报 ,每天看点不一样的。