犹他大学及校外的演讲者于6月25日齐聚该校，参加"蛋白质结构、功能与发现中的人工智能"研讨会，展示科学与技术领域的最新发展。
此次研讨会在埃克尔斯健康科学教育大楼举行，重点介绍了人工智能领域的最新突破，这些突破使准确预测蛋白质结构、识别先前未知的分子相互作用以及为潜在医学应用设计蛋白质和小分子成为可能。
为什么人工智能在生物学中如此重要
包括谷歌DeepMind的AlphaFold和华盛顿大学的RosettaFold在内的深度学习模型，是开发这一技术飞跃的先驱。通过利用已知生物结构的数据库，这些人工智能模型经过训练可以在几分钟内预测蛋白质的3D形状。现代人工智能不仅能绘制单个蛋白质，还能绘制复杂的相互作用。
在营养与整合生理学系工作的本科生研究员阿曼达·卡奇纳(Amanda Karchner)在海报展示环节中展示了她的研究成果，说明人工智能如何帮助识别与糖尿病、癌症和代谢紊乱等疾病相关的蛋白质相互作用。
卡奇纳和她的同事们通过犹他大学高性能计算中心(CHPC)使用Boltz-2人工智能模型，比传统实验室方法更高效地筛选潜在的蛋白质相互作用。"当我们谈论蛋白质-代谢物相互作用时，这些对各种细胞调控都非常重要，"卡奇纳在演讲中说道，"当你的细胞调控出现问题时，那就是癌症或代谢疾病。"
卡奇纳告诉《犹他纪事报》，人工智能并非取代实验室实验，而是作为一种假设生成工具，帮助研究人员识别最有希望进行实验测试的蛋白质相互作用。
从数年到几分钟
50年来，生物学一直面临蛋白质折叠问题。蛋白质在人体中的功能由其复杂、扭曲的3D形状决定，但科学家需要花费数月甚至数年时间才能从简单的氨基酸串中确定这种形状。
在海报展示环节中，学生和科学家的研究讨论了这些人工智能工具如何应用于持续的现代化进程。
该大学的高性能计算中心使人工智能研究成为可能。这些基于人工智能的工具已经使蛋白质结构预测足够可靠，许多实验室可以将其纳入工作流程。
CHPC计算科学家马丁·库马(Martin Cuma)博士表示，虽然计算方法已经存在，但对许多实验室研究人员来说并不够准确。"我们基本上是在帮助用户在其系统上开展研究，"库马在接受《犹他纪事报》采访时表示。
据库马介绍，CHPC为研究人员提供超级计算机、大规模数据存储、专业软件和技术支持，以运行超出标准计算机容量的AI模型。"每一位在笔记本电脑上进行计算且计算量超出笔记本电脑能力的研究人员，都需要使用超级计算机，"库马说。
研究人员现在可以生成更准确的预测，而不必再花费数月或数年时间，以及通过传统方法确定蛋白质结构所需的极其昂贵的程序。
传统成本
通过传统实验室实验进行这项研究既昂贵又缓慢。在人工智能出现之前，确定单一蛋白质结构是一个困难的过程。成本很大程度上取决于研究人员是在分析简单蛋白质还是复杂蛋白质。
从头开始绘制一个全新的蛋白质结构可能花费66,000至138,000美元不等。结构生物学实验室估计，传统结构测定所花费的总预算中，超过60%用于失败的尝试。
人工智能建模测试的革命代表了现代科学史上最激进的成本削减之一。
虽然实验实验室需要大量人力和数千美元，但使用人工智能时，如果预测失败或准确性低，成本很低。
研讨会演讲者解释说，通过将潜在的蛋白质相互作用缩小到最有希望的结果，人工智能使科学家能够花费时间测试可能改善医学理解的发现。
随着人工智能的不断发展，该技术与软件正在帮助犹他大学研究人员加速发现，同时减少研究复杂生物学问题所需的时间和成本。
【全文结束】