凿构周期律 · AI系列 · 20

AlphaFold 解决了蛋白质折叠吗

秦汉 · 约 7 分钟 · 发布

一、给定环境

蛋白质是一条长链, 由二十种氨基酸一个接一个连成, 短的几十个, 长的上千个。许多链子会在一定的环境里折成较稳定的立体形状, 也有些部分并没有固定的形状。哪里能抓住别的分子, 哪里能剪开一根键, 都和形状有关。

1972年十二月十一日, 克里斯蒂安·安芬森在斯德哥尔摩做诺贝尔奖演讲。他用一种酶做了许多年实验: 把它的形状拆散, 再放回合适的溶液里, 它自己又折回原样。演讲里他把从中得出的结论叫作热力学假说, 核心一句是: 「天然构象由全部原子间相互作用所决定, 因而由氨基酸序列所决定, 在一个给定环境中。」这句话前面, 他还在括号里列了一串条件: 溶剂, 酸碱度, 离子强度, 金属离子, 温度。

后来流传下来的是: 序列决定结构。在一个给定环境中, 和括号里那一串, 都没有跟着传下来。

二、优雅地折叠

1969年, 美国伊利诺伊大学开了一个讲生物系统里一种光谱学的会。分子生物学家赛勒斯·列文索尔在会上讲了一篇三页的东西, 题目是《怎样优雅地折叠》。

他算了一笔账: 一条蛋白质链可能摆出的形状, 多到十的三百次方这个数量级; 要是一个一个去试, 怎么也试不完。可是天然的蛋白质, 几秒钟就折好了。他的解释是: 「蛋白质折叠由于局部相互作用的迅速形成而被加速和引导, 而这些局部作用随后决定多肽进一步怎样折叠。」它不是一个一个去试, 是先在小地方搭上几处, 后面的就跟着走。

会的最后, 他放了一段短片。一台由计算机控制的示波器屏幕上, 一条多肽链一点一点长出来, 沿着能量最有利的路, 一处一处搭上该搭的地方。

这三页纸里, 没有悖论两个字。1992年, 三位物理学家发表的一篇论文, 题目就叫《列文索尔悖论》。一个人在会上讲怎样优雅地折叠, 二十三年后, 他的名字后面接上了悖论。

三、七个结构

要知道一个蛋白质的形状, 得把它做出来, 提纯, 让它长成晶体, 拿射线去照, 从衍射出来的斑点里一点一点算回去。后来又有了核磁共振和冷冻电镜。一个结构, 往往要几个人干上几个月, 有时几年。光是把核磁共振的测量数据人工解成结构, 受过训练的专家通常就要几个星期到几个月。

1971年, 纽约长岛冷泉港开了一次会。路易丝·约翰逊三十五年后回忆, 那一回是马克斯·佩鲁茨把手里已经有蛋白质原子坐标的人召到一起, 她点了几个名字, 也有她自己。佩鲁茨关心的是, 这些坐标别人能不能方便地拿到, 能不能长久地保存下来。那年十月二十日, 《自然》的一份子刊登出一则短公告: 蛋白质数据库。库设在布鲁克黑文国家实验室, 一开始收了七个结构。

此后各国的实验室解出一个, 存进去一个。1989年, 国际晶体学联合会的一个委员会要求, 发表蛋白质晶体结构的论文要把坐标存进这个库; 1999年, 美国国立卫生研究院要求它资助的研究, 坐标在论文发表时就公开。到2012年, 库里有八万多个结构; 2014年过了十万, 2019年过了十五万。

每一个都是一群人的几个月, 几年。

四、玩家

2008年, 华盛顿大学的研究者推出一个电脑游戏, 叫 Foldit。玩家在屏幕上拖动一条蛋白质链, 掰它, 扭它, 让它的形状更省能量, 系统给分。

2011年九月, 一篇论文登在《自然》的一份结构生物学子刊上, 题目是《一个单体逆转录病毒蛋白酶的晶体结构, 由蛋白质折叠游戏的玩家解出》。那个蛋白来自一种猴子的病毒, 晶体有了, 衍射数据也有了, 就是算不回结构。研究者把它放进游戏里办了一场三个星期的比赛。玩家交上来的模型里, 有的够好, 让晶体学家拿去和衍射数据一对, 对上了, 再由晶体学家把结构做完, 修细。当时的新闻标题写: 玩家用十天, 解出了科学家十五年没解出的结构。

论文的作者栏里, 排在第三, 第四位的不是人名, 是两支玩家队伍的队名: Foldit Contenders Group, Foldit Void Crushers Group。

五、考卷

1994年, 约翰·莫尔特等四个人办了第一届蛋白质结构预测的评测, 叫 CASP, 约三十五个组交了一百三十五份预测。此后两年一届。

考法是这样的。主办方去找那些快要解出结构, 但还没有公开的实验室, 请他们先把答案交过来, 封住。主办方只把这个蛋白的氨基酸序列发给各个预测组, 限期交回预测的形状。等实验室的结构公开了, 再拿去对。出题的是实验室, 题目是他们几个月, 几年的活; 答案在他们手里, 先不说。

对的办法后来用得最多的一个, 叫全局距离测试。把预测的形状和实验测出来的形状叠在一起, 看链上有多少个位置落在实验位置的一埃, 二埃, 四埃, 八埃以内, 四个比例取平均, 满分一百。一埃是一百亿分之一米。

六、在某种意义上

2018年十二月, 墨西哥坎昆, 第十三届 CASP。第十七篇里那家伦敦公司 DeepMind 第一次来, 带的程序叫 AlphaFold。在最难的那一类题上, 也就是找不到相近的已知结构可以参照的那一类, 它排第一, 总分六十八点三, 第二名四十八点二。

一个在学校里做结构预测的研究者, 穆罕默德·阿尔库雷希, 回去写了一篇博客, 开头记下现场有人问他的一句话: 「刚才发生了什么?」他写, 这一回的进步, 大约抵得上两届。他还写, 他交谈过的学院里的研究者, 多半有一种存在主义式的焦虑; 学术界做这件事的有几十个组, 合起来几百人, DeepMind 来参赛的大约十个人。

2020年, 第十四届, 因为疫情在网上开。十一月三十日结果公布: 大约三分之二的题目上, AlphaFold 的分数在九十以上, 这已经到了实验测量本身的精度一带。阿尔库雷希记下的中位数, 从上一届的六十八点五, 到了九十二点四。这一届的 AlphaFold, 换了一套新的架构。

同一天, 《科学》杂志的记者引了 CASP 创办人莫尔特的话: 「这是件大事。在某种意义上, 这个问题解决了。」CASP 自己的新闻稿写的是: 对单个蛋白质而言, 这个问题大体上解决了。DeepMind 的博客题目是: AlphaFold, 一个五十年的生物学重大挑战的解决办法。

两天以后, 英国结构生物学家斯蒂芬·柯里写了一篇博客, 题目是: 没有, DeepMind 没有解决蛋白质折叠。他把预测出最后的形状, 和弄清一条链实际上怎样折过去, 分成两件事。

七、两亿

2021年七月十五日, 论文登在《自然》上, 题目是《用 AlphaFold 做高度准确的蛋白质结构预测》, 三十四个人署名, 代码同时公开。同一个月, 华盛顿大学大卫·贝克的实验室也发表了他们的 RoseTTAFold。

七月二十二日, DeepMind 和欧洲生物信息研究所合办的预测结构库上线, 头一批三十五万多个, 其中约两万个是人的蛋白质。2022年七月, 扩到两亿多个。研究所的公告说, 这几乎是「科学所知的每一个已编目的蛋白质」。已编目, 说的是序列登记在册; 库里这两亿多个, 是算出来的形状, 不是测出来的。

库里每一个位置都附着一个置信分数。九十以上算很高, 五十以下算很低; 说明里写, 很低的地方可能对应本来就没有固定形状的一段, 却不能只凭这个分数定下来。

后来的研究一样一样去试它的边。有的蛋白不止一种形状, 要在两三种之间来回变, 它默认只给一种; 有的蛋白要抓着别的小分子才换成另一种样子, 它不知道那个小分子在不在; 一个位置换掉一个氨基酸, 它给出的形状变化, 和实验测到的稳定性变化, 几乎对不上。

2012年, 肯·迪尔和贾斯廷·麦卡勒姆在《科学》上写过一篇综述, 题目是《蛋白质折叠问题, 五十年后》。五十年, 是从1962年佩鲁茨他们因为蛋白质结构得诺贝尔奖算起的。他们把这个问题拆成三个: 物理上的折叠密码, 一条链是怎样一路折过去的, 能不能用计算机从序列预测出结构。文章末尾有一句: 「再把解决蛋白质折叠问题当作一个单一目标来谈, 已经没有用了。」

AlphaFold 那篇论文的题目, 用的是三个里的最后一个: 结构预测。

八、折叠

2024年十月九日, 诺贝尔化学奖一半给了大卫·贝克, 理由是计算蛋白质设计; 另一半给了 DeepMind 的哈萨比斯和约翰·江珀, 理由是蛋白质结构预测。前一天的物理学奖, 给了霍普菲尔德和第十四篇里的辛顿。

那年五月, AlphaFold 3 的论文发表, 能算蛋白质和核酸, 小分子, 离子搭在一起的样子, 代码没有一起公开, 只开放了一个网上的服务。一批结构生物学和计算生物学的研究者给《自然》写了公开信, 说这偏离了这个领域的规矩。十一月, 代码放了出来, 限非商业使用。

这一路上删掉的字有好几个。安芬森的在一个给定环境中; 莫尔特的在某种意义上; CASP 新闻稿里的单个蛋白质; 研究所公告里的已编目; 迪尔他们说的, 别再把它当一个单一的目标。删完以后, 剩下一句: 五十年的蛋白质折叠问题, 被一个程序解决了。

留下来的, 还有一个名字。授奖词里写的是结构预测; 流传开的, 是折叠。

AlphaFold 学的, 是数据库里那些结构。从1971年那七个起, 半个世纪里, 一个实验室接一个实验室, 一群人接一群人, 养晶体, 照射线, 算斑点, 一个一个解出来, 存进去。CASP 的考题, 是实验室把自己刚解出来, 还没发表的结构先交出来, 封住, 让别人去猜。Foldit 那篇论文的作者栏里, 有两支玩家队伍的名字。

安芬森说的那个给定环境, 在序列外面。这些人, 也在程序外面。这个系列管这种算来算去总剩在外面的一份叫余项。

机器还在造, 而界在哪里, 每一代人重说一遍。