由谷歌旗下的人工智能研究实验室DeepMind创建的深度学习机器AlphaFold，已经在改变我们对支撑健康和疾病的分子生物学的理解。
2024年诺贝尔化学奖的一半授予了美国华盛顿大学的大卫·贝克（David Baker），另一半则由来自伦敦谷歌DeepMind的德米斯·哈萨比斯（Demis Hassabis）和约翰·M·杰普（John M. Jumper）共同获得。
如果您还没听说过AlphaFold，可能很难领会它对研究人员变得有多重要。但作为该软件的测试员，我亲眼目睹了这项技术如何能在几分钟内揭示不同蛋白质的分子结构。而研究人员在实验室实验中解开这些结构可能需要数月甚至数年。
蛋白质由一系列分子“珠子”产生，这些“珠子”由人体20种不同的氨基酸组成。这些珠子形成一条长链，折叠成对蛋白质功能至关重要的机械形状。
它们的序列由DNA决定。虽然DNA研究意味着我们知道构建大多数蛋白质的“珠子”的顺序，但预测这条链如何折叠成每个“3D机器”一直是一个挑战。
这些蛋白质结构支撑着所有的生物学。科学家研究它们的方式就像您拆开一个时钟来了解它是如何工作的。理解各个部分，再拼凑成整体：人体也是如此。
蛋白质很小，在我们30万亿个细胞中，每个细胞内都有大量的蛋白质。这意味着几十年来，找出它们形状的唯一方法是通过费力的实验方法——研究可能需要数年。
在我的整个职业生涯中，我和许多其他科学家一直在从事这样的工作。每次我们解决一个蛋白质结构，都会将其存放在一个名为蛋白质数据库的全球数据库中，任何人都可以免费使用。
AlphaFold是在这些结构上训练的，其中大多数是通过X射线晶体学发现的。对于这种技术，蛋白质在数千种不同的化学状态下进行测试，包括温度、密度和pH值的变化。研究人员使用显微镜来确定每种蛋白质在特定形成下排列的条件。然后用X射线照射这些条件，以计算出该蛋白质中所有原子的空间排列。
在这些结构上训练后，AlphaFold现在能够以前所未有的速度预测蛋白质结构。
我从90年代末开始职业生涯，使用原子核的磁性特性来研究蛋白质结构。我使用一种称为核磁共振（NMR）光谱的技术，它使用像MRI扫描仪那样的巨大磁铁。由于某些技术限制，这种方法开始不受欢迎，但由于AlphaFold，现在正在复兴。
2024年3月，DeepMind的研究人员找我对AlphaFold3进行测试，这是该软件的最新版本，当时即将发布。
我从来不是游戏玩家，但我体验到了令人上瘾的感觉，一旦我获得访问权限，我只想花几个小时尝试分子组合。除了速度极快，这个新版本引入了包括更大和更多样化的分子（包括DNA和金属）的选项，以及修改氨基酸以模拟细胞中的化学信号的机会。
我们在伦敦国王学院的实验室使用X射线晶体学来预测当两种与医院超级细菌有关的细菌蛋白质相互作用时形成的结构。AlphaFold的早期版本可以预测单个组件，但无法正确预测复合物——但这个新版本在第一次尝试时就解决了这个问题。
既然我们可以用AlphaFold预测静态蛋白质形状，理解蛋白质的活动部分和动态就成了下一个前沿领域。蛋白质有各种各样的形状和大小。它们可以是刚性的或灵活的，或者由结构整齐的单元通过弯曲的环连接而成。
动态对于蛋白质功能至关重要。正如另一位诺贝尔奖获得者理查德·费曼（Richard Feynman）所说：“生物所做的一切都可以从原子的抖动和摆动来理解。”
磁共振技术的另一个重要特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。
在其他情况下，结果仍然不明确。这是像我团队这样的实验结构生物学家和计算科学家之间正在进行的工作。
诺贝尔奖带来的认可只会激励人们去理解所有的分子机制——希望在药物、疫苗和人类健康方面改变局面。
（全文结束）
