生命必需的基本生物过程几乎都是由蛋白质完成的。蛋白质由长长的氨基酸链通过折叠成精确的三维结构来实现功能，阐明蛋白质结构是所有分子生物学研究的重点。近年来，计算方法在基于氨基酸序列预测蛋白质折叠方面取得了重大进展。如果完全实现，这些方法有可能改变生物医学研究的几乎所有方向。然而，目前的方法在预测蛋白质的规模和范围方面还受到限制。
2019年4月24日Cell Systems报道，哈佛医学院系统生物学家Mohammed AlQuraishi利用深度学习来预测基于氨基酸序列的蛋白质的三维结构，其精确度可与目前最先进的方法相媲美，但速度提高了100万倍。
该研究用到的所谓的端到端可微深度学习，涉及到一个单一的、庞大的数学函数，它被形容为一个神经网络，网络的每个组成部分向前和向后提供信息。这个功能可以以难以想象的复杂程度一遍又一遍地调整自己，以准确地解析蛋白质序列在数学上是如何与其结构相互关联的。研究者发现，在预测没有预先存在模板的蛋白质结构方面，新模型优于所有其他方法，包括使用共同进化数据的方法。当用预先存在的模板来进行预测时，它的性能也比所有方法都好。更可喜的是，新模型的预测速度比现有的计算方法快6到7个数量级。训练这个模型可能需要几个月的时间，但一旦训练成功，它可以在几毫秒内做出预测，而使用其他方法需要几小时到几天的时间。
研究者表示，这个新模型还没有准备好用于药物发现或设计，因为它的精确度目前处于6埃左右——距离解析蛋白质的完整原子结构所需的1至2埃仍有一段距离。有很多方案可以用于优化这种模型，包括进一步整合化学和物理的规则等。
吴晓燕 编译自https://phys.org/news/2019-04-deep-learning-approach-protein-amino-acid.html
原文链接：https://www.sciencedirect.com/science/article/pii/S2405471219300766?via%3Dihub
原文标题：End-to-End Differentiable Learning of Protein Structure
