今年7月，Alphabet旗下AI公司DeepMind宣布蛋白質結構預測模型AlphaFold成功預測所有已知的蛋白質結構，令全球科學家驚喜。美國時間15日，華盛頓大學貝克實驗室，在《Science》期刊上發表一款機器學習新工具 ProteinMPNN，其可幫助研究人員發現並設計全新蛋白，有助未來疫苗、癌症治療或創新材料的開發。
 
蛋白質是由數十萬個氨基酸，透過長鏈連接方式，摺疊成三維形狀，雖然AlphaFold改變了蛋白結構的預測方式，但在傳統上，多數實驗室仍是使用物理方法，如 Rosetta來設計自然界中已知的蛋白。
 
華盛頓大學貝克實驗室，是長年開發 Rosetta這款可用於蛋白質結構預測、蛋白質對接和設計的工具的維護者。此次實驗室，開發了新的深度學習工具ProteinMPNN，可對大量的氨基酸序列進行訓練，並設計摺疊成全新的三維結構。
 
但在設計新的蛋白質前，研究人員必須先了解，哪種蛋白質骨架具有功能性，因此研究團隊先前還建構兩種深度學習方法，解決此問題。相關研究也已發表在《Science》期刊上。
 
第一種是被形容為「受限的幻覺」(constrained hallucination) 深度學習法，其是讓用戶在蛋白質序列茫茫大海中，偏好搜索出具所需的功能位點之穩定結構序列。
 
第二種深度學習法，則被形容為「繪畫中」(in painting)，此工作方式就如文字處理器，可為研究人員自動創造出過去未曾出現的全新蛋白質。
 
在建構這些深度學習上的ProteinMPNN，經實驗結果也驗證ProteinMPNN的序列恢復率(sequence recovery)為52.4%，較Rosetta序列恢復率32.9%高，證明ProteinMPNN的實用性與精準度。
 
愛丁堡大學生化和生技教授Lynne Regan說，使用機器學習設計蛋白質，使整個過程變得更快、更容易，並使研究人員能在更大的範圍內，創造全新的蛋白質結構。
 
「這套系統不僅比過去最佳的工具還快上200倍，自動化的功能也降低蛋白質設計的進入門檻，使用機器學習技術設計蛋白質，是當今非常重要的工具」他說。
 
資料來源：https://www.technologyreview.com/2022/09/15/1059550/an-ai-that-can-design-new-proteins-could-help-unlock-new-cures-and-materials/

(編譯/彭梓涵)