深度学习机器AlphaFold，由谷歌的AI研究实验室创建深度思维公司已经改变了我们对支撑健康和疾病的分子生物学的理解。
一半的2024年诺贝尔化学奖去了大卫·贝克ер来自美国华盛顿大学的一半奖项，另一半由共同授予给德米斯·哈萨比斯以及约翰·M·贾姆珀，均来自伦敦的Google DeepMind。
如果你还没听说过AlphaFold，可能很难理解它对研究人员来说有多重要。但作为一名软件的测试者，我亲眼目睹了这项技术如何在几分钟内揭示不同蛋白质的分子结构。这在实验室实验中可能需要研究人员花费数月甚至几年的时间来解析这些结构。
阅读更多：谷歌DeepMind创始人因在人工智能解析蛋白质形状方面的贡献与人共享诺贝尔化学奖
这项技术可能为革命性的新治疗方案和药物开辟道路。但首先，重要的是要了解AlphaFold的作用。
蛋白质通过一系列过程产生分子“珠子”，由人体的选择性生成20种不同的氨基酸这些珠子形成了一条长链，折叠起来成为了一个机械形状这对蛋白质的功能至关重要。
它们的序列由DNA决定。而DNA研究意味着我们知道珠子的顺序构建大多数蛋白质的链来说，预测这条链如何折叠成每个“3D机器”一直是一个挑战。
这些蛋白质结构构成了所有生物学的基础。科学家们研究它们的方式就像你拆解一个钟表来理解其工作原理一样。理解各个部分，然后组合成整体：人体也是如此。
蛋白质非常微小，在每一个细胞内都有大量的蛋白质。我们的30万亿个细胞这意味着几十年来，唯一了解它们形状的方法是通过繁琐的实验方法——这些研究可能需要几年时间。
在我职业生涯中，我和许多其他科学家一起一直从事此类活动每次我们解决一个蛋白质结构时，都会将其存入一个名为全球数据库的系统中称为蛋白质数据库任何人都可以免费使用。
AlphaFold 是基于这些结构进行训练的，其中大多数结构是通过搜索发现的。X射线晶体学对于这项技术，蛋白质会在数千种不同的化学状态下进行测试，这些状态包括温度、密度和pH值的变化。研究人员使用显微镜来识别每种蛋白质在特定排列条件下的形成情况。然后用X射线照射这些蛋白质以确定其所有原子的空间排列。
经过这些结构的训练，AlphaFold 现在可以预测蛋白质结构以之前不可能的速度。
我在职业生涯早期，从上世纪九十年代末开始，利用蛋白质核磁共振性质来解析蛋白质结构。我使用的技术叫做核磁共振核磁共振(NMR)光谱法，该方法使用类似MRI扫描仪的巨大磁场。由于某些技术限制，这种方法曾一度失去青睐，但如今复苏得益于AlphaFold。
核磁共振是少数几种能够探测处于运动状态的分子的技术之一，而不是将它们固定在晶体中或电子显微镜网格上。
上瘾的经历
2024年3月，DeepMind的研究人员来找我测试AlphaFold3的测试版，这是该软件即将发布的新版本。
我从来不是一名游戏玩家，但是一旦获得访问权限后，我就尝到了这种令人上瘾的体验，只想花几个小时尝试分子组合。除了闪电般的速度之外，这个新版本还引入了包括DNA和金属在内的更大、更多样化的分子选项，并提供了修改氨基酸以模拟细胞内化学信号的机会。
我们在伦敦国王学院的实验室使用X射线晶体学预测一个结构由两种松散关联的细菌蛋白质组成的医院超级细菌当它们相互作用时。之前的AlphaFold版本可以预测各个组件，但从未能够正确预测出复合物——然而这个新版本首次尝试就解决了这个问题。
理解蛋白质的运动部件和动态是下一个前沿领域，现在我们已经能够用AlphaFold预测静态的蛋白质结构。蛋白质形态各异、大小不一。它们可以是刚性的也可以是柔性的，由整齐排列的单元通过弯曲的环状结构连接而成。
动态对于蛋白质的功能是必不可少的。另一位诺贝尔奖得主指出，理查德·费曼说过：“一切生物所做的事情都可以用原子的振动和摇晃来理解。”
磁共振技术的另一个优点是它们可以测量原子之间的精确距离。因此，通过一些精心设计的实验，可以在实验室中验证AlphaFold的输出结果。
在其他情况下，结果仍然模棱两可。这是实验结构生物学家（如我的团队）和计算科学家之间正在进行的合作工作。
诺贝尔奖的认可将只会激发人们了解所有分子机器的渴望——并希望在药物、疫苗和人类健康方面改变游戏规则。