谷歌DeepMind祭出蛋白質設計新AI，有望攻克癌症！蛋白親和力暴增300倍
新智元報道
編輯：編輯部
【新智元導讀】今天，DeepMind又發佈了Alpha模型家族的新成員，堪稱是「專精版」的AlphaFold，專注於設計蛋白質結合劑，將大幅減少所需的實驗室工作，提升開發效率。
DeepMind「阿爾法」家族，再迎新貴。
谷歌開發者負責人Logan昨日的一句話，勾起了全網好奇心。
「如果你認爲AI進展正在放緩，那就說明，你並沒有密切關注它」。谷歌究竟有着什麼大事，等着我們？
剛好今天，谷歌DeepMind祭出了AI設計蛋白的新模型——AlphaProteo，再次在AI圈裡掀起海嘯級地震。
它可以爲不同的目標蛋白，設計新的蛋白結合劑，能夠爲癌症、糖尿病併發症相關的VEGF-A。
這也是，AI工具首次能夠爲VEGF-A，設計出成功的蛋白結合劑。
在7種靶標蛋白測試中，AlphaProteo比現有的方法，實現了3-300倍的蛋白結合親和力。
它還大幅提升了研究效率，將實驗室數年工作，壓縮至幾天甚至是幾周之內。
AlphaProteo的意義在於，可以預防病毒感染，設計抗癌，等各種治癒疾病的藥物。
通過蛋白結合劑緊密附着在「病毒」、「癌細胞」上，阻止它們之間的信號傳遞，擾亂其功能，最終走向死亡。
網友們紛紛感慨道，AI+生物學又一次突破，對於挽救人類生命來說意義重大。真不知道，醫療保健在未來5-10年，會是什麼樣子？
在AI4Science上，谷歌DeepMind只會投入更多。
「阿爾法」家族的進階
AF3的誕生，意味着將會開啓更多變革性的科學研究，比如基因組學研究、加速藥物設計、新材料開發、培育作物等等。
要知道，2020年發佈的AlphaFold 2已經引起了科學界的轟動。
由於在蛋白質結構預測上取得了根本突破，全球目前有數百萬研究人員使用AF2來研製疫苗、治療癌症或設計蛋白酶。
而走出「蛋白質世界」，能夠預測所有生物分子的AF3，預計會給各領域的科學發現帶來更大的變革。
儘管AlphaFold系列模型已經取得了這些成就，團隊領導人John Jumper還是經常被「催更」。
比如，有人希望擴展AlphaFold的預測功能，直接針對能改變蛋白質功能的修飾，讓模型更好地輔助藥物設計、疾病理解等領域。
雖然Jumper在採訪中經常表示「很無奈、做不到」，但DeepMind顯然看到了這一層需求。
最新發布的模型AlphaProteo，就是瞄準了這些領域的實際應用，旨在設計出能成功結合目標分子的蛋白質。
博客地址：https://deepmind.google/discover/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/
學習蛋白質的相互結合
從細胞生長到免疫反應，人體的每一個生物過程都依賴於蛋白質的之間的相互作用。
蛋白質的結合具有一個重要性質——特異性，就像鑰匙和鎖。「鎖齒」對不上，蛋白質就無法結合併發揮作用。
關於這類過程的原理和機制，AlphaFold等結構預測工具可以爲我們提供很多見解，但還不能創造出新的蛋白質來直接操縱這些相互作用。
想創造出能結合目標分子的蛋白質，這項工作目前還只能交給科學家完成。
這類「蛋白質結合劑」可以加速許多領域研究的進展，包括藥物開發、細胞和組織成像、疾病理解和診斷，甚至是提升作物抗蟲性。
儘管機器學習方法在蛋白質設計方面取得了重大進展，但這一過程仍然繁瑣且複雜，傳統方法耗時費力。
不僅設計過程本身難度很大，需要多輪的廣泛實驗測試；結合劑被成功製造出來之後，還需要進行額外的實驗來優化結合親和力，以便能和目標蛋白結合得足夠緊密、發揮作用。
而今天推出的AlphaProteo就是專門用於設計高強度蛋白質結合劑， 有助於藥物發現、開發生物傳感器等應用
實驗發現，AlphaProteo適用於多種目標蛋白，比如與癌症和糖尿病併發症相關的VEGF-A，這是AI工具首次爲VEGF-A成功設計出蛋白結合劑。
此外，在測試的其他7種目標蛋白上，相比之前的最佳方法，AlphaProteo的實驗成功率更高，且蛋白質的結合親和力有3～300倍的提升。
團隊同時放出了一篇論文，詳細介紹了溼實驗的流程與驗證結果。
論文地址：https://storage.googleapis.com/deepmind-media/DeepMind.com/Blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/Protein_Design_White_Paper_2024.pdf
AlphaProteo的訓練數據包括Protein Data Bank（PDB）和AlphaFold生成的超過1億個預測結構。
通過訓練，AlphaProteo學習到了蛋白質分子相互結合的方式。給定目標分子的結構以及優先結合位點，模型就能生成在相應位點結合的候選蛋白質。
預測的蛋白結合劑與目標蛋白質相互作用的示意圖，藍色部分爲AlphaProteo生成的蛋白結合劑結構，黃色部分爲目標蛋白質，即SARS-CoV-2刺突受體結合域
但遺憾的是，博客和文章都沒有提到AlphaProteo的模型架構或具體訓練方法，目前也沒有放出代碼或模型權重。
成功結合關鍵蛋白
爲了測試AlphaProteo，團隊在7種目標蛋白質上進行了測試，包括：
- 2種與感染有關的病毒蛋白：BHRF1和SARS-CoV-2刺突蛋白受體結合域SC2RBD
- 5種與癌症、炎症和自身免疫性疾病有關的蛋白質：IL-7Rɑ、PD-L1、TrkA、IL-17A和VEGF-A
結果顯示，AlphaProteo具有極高的結合成功率和同類最佳的結合強度。
它成功地在計算機模擬中生成了候選蛋白質，並在實驗中實現了與目標蛋白質的緊密結合。
AlphaProteo爲以上7種蛋白質生成了結合劑，藍色是在溼實驗室中測試的結合劑示例，黃色部分是目標蛋白質，深黃色部分突出顯示了預期的結合區域
對於病毒蛋白BHRF1，候選分子成功結合的比例高達88%，比現有的最佳設計方法高出10倍。
候選蛋白的結合成功率提高，意味着需要更少的測試，就能找到成功的結合劑，可以大大縮短實驗週期，降低研發成本。
AlphaProteo對7個目標蛋白質的輸出結果在體外實驗中的成功率
對於另一個目標蛋白TrkA，AlphaProteo設計出的結合劑甚至勝過了先前最佳的、經過多輪實驗優化的結合劑。
在沒有實驗優化的情況下，AlphaProteo對7個目標蛋白質設計結果的最佳親和力，較低的親和力意味着與目標蛋白結合得更緊密
驗證結果
除了自己開展的實驗，DeepMind還邀請了英國王牌研究中心、歐洲最大的生物醫學研究機構——弗朗西斯·克里克研究所（Francis Crick Institute）來進行驗證。
在不同的實驗中，團隊更深入地研究了兩種目標蛋白，SC2RBD和VEGF-A的結合劑。
結果顯示，這些結合劑的結合相互作用確實與AlphaProteo的預測相似，並且具備有效的生物功能。
例如，SC2RBD的蛋白結合劑被證明可以阻止SARS-CoV-2及其部分變種對細胞的感染。
然而，由於AI的侷限性，AlphaProteo對一種目標蛋白無能爲例，即與類風溼性關節炎等自身免疫性疾病相關的TNFɑ。
但值得注意的是，計算分析顯示針對TNFɑ設計結合劑極具挑戰性，而這也是DeepMind用它來進行測試的原因。
通常來說，實現強結合只是設計蛋白質結合劑的第一步，在研究和開發過程中還有許多生物工程障礙需要克服。
而AlphaProteo可以大幅減少初步實驗所需的時間，並適用於廣泛的應用。
蛋白設計是一項快速發展的技術，在多個領域都具有很大的科學潛力，比如理解疾病的致病因素、在病毒爆發中加速診斷測試的開發、支持可持續的製造工藝，甚至清除環境污染物等方面。
DeepMind提出，未來不僅會與學界合作，利用AlphaProteo解決具有影響力的生物學問題並瞭解其侷限性，而且還會和Isomorphic Labs合作，探索藥物設計方面的應用。
同時，團隊還將將繼續提高AlphaProteo算法的成功率和親和力，擴大其可以解決的設計問題範圍，並與機器學習、結構生物學、生物化學和其他學科的研究人員合作，開發出負責任且更全面的蛋白設計方案。
參考資料：
https://deepmind.google/discover/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/