11月2日，在墨西哥坎昆舉行的第13屆全球蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)競(jìng)賽（Critical Assessment of protein Structure Prediction，CASP）上。組織者宣布，DeepMind 的最新人工智能程序 ——AlphaFold 在一項(xiàng)極其困難的任務(wù)中擊敗了所有對(duì)手，成功預(yù)測(cè)生命基本分子——蛋白質(zhì)的三維結(jié)構(gòu)。

       作為一項(xiàng)基礎(chǔ)技術(shù)，DeepMind在自己博客中，將AlphaFold 稱為在展示人工智能研究推動(dòng)和加速新科學(xué)發(fā)現(xiàn)方面的“第一個(gè)重要里程碑”。

       通過跨學(xué)科方法，DeepMind匯集了來自結(jié)構(gòu)生物學(xué)，物理學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域的專家，以應(yīng)用尖端技術(shù)，僅根據(jù)其基因序列預(yù)測(cè)蛋白質(zhì)的3D結(jié)構(gòu)。

       在獲悉這一劃時(shí)代的技術(shù)性突破后，動(dòng)脈網(wǎng)試圖通過以下邏輯，還原DeepMind再次戰(zhàn)勝人類模型的“里程碑”事件，以及DeepMind在醫(yī)療領(lǐng)域所做的探索。

       1. 蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的劃時(shí)代意義

       2. DeepMind憑借什么奪冠

       3. AI算法將漫長費(fèi)力的預(yù)測(cè)過程縮短至幾小時(shí)

       4. DeepMind的AI落地將給醫(yī)學(xué)帶來多少顛覆

       曾獲得諾貝爾獎(jiǎng)的科學(xué)難題

       蛋白質(zhì)是維持生命所必需的大而復(fù)雜的分子。幾乎我們身體所執(zhí)行的所有功能 ： 收縮肌肉、感知光線或?qū)⑹澄镛D(zhuǎn)化為能量， 都可以追溯到一種或多種蛋白質(zhì)以及它們?nèi)绾我苿?dòng)和變化。這些蛋白質(zhì)的配方， 稱為基因。

       任何給定的蛋白質(zhì)可以做什么取決于其獨(dú)特的3D結(jié)構(gòu)。例如，構(gòu)成我們免疫系統(tǒng)的抗體蛋白質(zhì)是“Y形”的，并且類似于獨(dú)特的鉤子。通過鎖定病毒和細(xì)菌，抗體蛋白能夠檢測(cè)和標(biāo)記引起疾病的微生物以進(jìn)行消滅。

       類似地，膠原蛋白的形狀像繩索，其在軟骨，韌帶，骨骼和皮膚之間傳遞張力。其他類型的蛋白質(zhì)包括CRISPR和Cas9，它們像剪刀一樣起作用，切割和粘貼DNA；抗凍蛋白，其3D結(jié)構(gòu)允許它們結(jié)合冰晶并防止生物凍結(jié)；核糖體就像一個(gè)程序化的裝配線，幫助自己構(gòu)建蛋白質(zhì)。

       但是純粹從其基因序列中找出蛋白質(zhì)的三維形狀是一項(xiàng)復(fù)雜的任務(wù)，科學(xué)家們已經(jīng)發(fā)現(xiàn)了幾十年的挑戰(zhàn)。挑戰(zhàn)在于DNA僅包含有關(guān)蛋白質(zhì)構(gòu)建塊序列的信息，稱為氨基酸殘基，形成長鏈。預(yù)測(cè)這些鏈如何折疊成蛋白質(zhì)的復(fù)雜3D結(jié)構(gòu)就是所謂的“蛋白質(zhì)折疊問題”。

       “蛋白質(zhì)折疊”是一種令人難以置信的分子折疊形式，科學(xué)界以外很少有人討論，但卻是一個(gè)非常重要的問題。生物由蛋白質(zhì)構(gòu)成，生物體功能由蛋白質(zhì)形狀決定。理解蛋白質(zhì)的折疊方式可以幫助研究人員走進(jìn)科學(xué)和醫(yī)學(xué)研究的新紀(jì)元。

       因此，蛋白質(zhì)折疊(Protein Folding)問題被列為“21世紀(jì)的生物物理學(xué)”的重要課題，它是分子生物學(xué)中心法則尚未解決的一個(gè)重大生物學(xué)問題。蛋白質(zhì)可在短時(shí)間中從一級(jí)結(jié)構(gòu)折疊至立體結(jié)構(gòu)，研究者卻無法在短時(shí)間中從氨基酸序列計(jì)算出蛋白質(zhì)結(jié)構(gòu)，甚至無法得到準(zhǔn)確的三維結(jié)構(gòu)。

       美國NIH的Christian Anfinsen博士因?yàn)榘l(fā)現(xiàn)蛋白質(zhì)不需要其他幫助就可以自發(fā)地完成蛋白質(zhì)折疊的過程，于1972年獲得了諾貝爾化學(xué)獎(jiǎng)。

       DeepMind的聯(lián)合創(chuàng)始人兼首席執(zhí)行官Demis Hassabis說：“對(duì)DeepMind來說，這是一個(gè)非常關(guān)鍵的時(shí)刻，這是一個(gè)‘燈塔’項(xiàng)目，是我們?cè)谌藛T和資源方面的第一項(xiàng)重大投資，同時(shí)也是正在成為一個(gè)基本的、非常重要的、現(xiàn)實(shí)世界的科學(xué)問題。”

       早在2017年，美國科羅拉多大學(xué)“JILA物理研究中心”的生物物理學(xué)家們通過更細(xì)致地測(cè)量了蛋白質(zhì)折疊后發(fā)現(xiàn)，其折疊過程比科學(xué)家們?cè)?jīng)的預(yù)測(cè)更為復(fù)雜。這意味著，有關(guān)蛋白質(zhì)，我們的了解程度尚在皮毛。

       蛋白質(zhì)分子的基本組成是氨基酸鏈。通過一系列中間過程，像折紙一樣，氨基酸鏈折疊成三維結(jié)構(gòu)，之后才具有功能。準(zhǔn)確地描述這個(gè)折疊過程，需要已知所有中間狀態(tài)的形態(tài)。最新研究就揭示這個(gè)過程中許多未知的狀態(tài)，這一研究成果公布在3月3日的Science雜志上。

       AI如何成功預(yù)測(cè)蛋白質(zhì)3D結(jié)構(gòu)？

       此次讓DeepMind再一次嶄露頭角的CASP， 被認(rèn)為是蛋白質(zhì)結(jié)構(gòu)領(lǐng)域“奧林匹克競(jìng)賽”。在這次比賽上，DeepMind團(tuán)隊(duì)（參賽名為“A7D”）成功在43個(gè)參賽蛋白中拿到25個(gè)單項(xiàng)模型，累計(jì)總分120.35排名第一。而根據(jù)第13屆全球蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)競(jìng)賽官方披露的成績，總分第2名的團(tuán)隊(duì)是一支名為“Zhang”的團(tuán)隊(duì)，總分為107.03。

       據(jù)DeepMind介紹，該項(xiàng)成果的設(shè)計(jì)源于使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)物理特性以及構(gòu)建蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的新方法。

       這兩種方法都依賴于深度神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練可以從其基因序列中預(yù)測(cè)蛋白質(zhì)的特性。DeepMind的網(wǎng)絡(luò)預(yù)測(cè)的屬性是：（a）氨基酸對(duì)之間的距離和（b）連接這些氨基酸的化學(xué)鍵之間的角度。第一個(gè)發(fā)展是對(duì)常用技術(shù)的進(jìn)步，這些技術(shù)估計(jì)氨基酸對(duì)是否彼此接近。

       鑒于要研究的新蛋白質(zhì)，AlphaFold使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氨基酸對(duì)之間的距離，以及連接它們的化學(xué)鍵之間的角度。在第二步中，AlphaFold調(diào)整草圖結(jié)構(gòu)以找到最節(jié)能的布置。

       DeepMind訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)蛋白質(zhì)中每對(duì)殘基之間的距離的單獨(dú)分布。然后將這些概率組合成評(píng)估所提出的蛋白質(zhì)結(jié)構(gòu)的準(zhǔn)確度的分?jǐn)?shù)。此外，還訓(xùn)練了一個(gè)單獨(dú)的神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用匯總的所有距離來估計(jì)建議的結(jié)構(gòu)與正確答案的接近程度。

       第二種方法通過梯度下降優(yōu)化得分- 通常用于機(jī)器學(xué)習(xí)的數(shù)學(xué)技術(shù)，用于進(jìn)行小的、漸進(jìn)的改進(jìn)這導(dǎo)致高度精確的結(jié)構(gòu)。該技術(shù)應(yīng)用于整個(gè)蛋白質(zhì)鏈而不是在組裝之前必須單獨(dú)折疊的碎片，降低了預(yù)測(cè)過程的復(fù)雜性。

       使用這些評(píng)分函數(shù)，DeepMind能夠搜索蛋白質(zhì)圖像，找到與我們的預(yù)測(cè)相匹配的結(jié)構(gòu)。第一種方法建立在結(jié)構(gòu)生物學(xué)中常用的技術(shù)上，并且用新的蛋白質(zhì)片段反復(fù)替換蛋白質(zhì)結(jié)構(gòu)的片段。為了構(gòu)建AlphaFold，DeepMind在數(shù)千種已知蛋白質(zhì)上訓(xùn)練了一個(gè)神經(jīng)網(wǎng)絡(luò)，直到它可以預(yù)測(cè)單獨(dú)使用氨基酸的3D結(jié)構(gòu)。

       一旦AlphaFold被提供了一種新蛋白質(zhì)，它就會(huì)利用其神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)其組成氨基酸對(duì)之間的距離，以及它們連接化學(xué)鍵之間的角度，形成一個(gè)牽伸結(jié)構(gòu)。然后，AlphaFold調(diào)整此結(jié)構(gòu)以找到最節(jié)能的結(jié)構(gòu)。

       雖然AlphaFold花了兩周的時(shí)間來預(yù)測(cè)第一個(gè)蛋白質(zhì)結(jié)構(gòu)，但該程序現(xiàn)在可以在幾個(gè)小時(shí)內(nèi)完成。

       AI將漫長費(fèi)力的預(yù)測(cè)過程縮短至幾小時(shí)

       根據(jù)英國《衛(wèi)報(bào)》報(bào)道中的數(shù)據(jù)顯示，截至2010年，只有0.6%的已知蛋白序列被解析出了相應(yīng)的結(jié)構(gòu)。

       在過去的五十年中，科學(xué)家們已經(jīng)能夠使用冷凍電子顯微鏡，核磁共振或X射線晶體學(xué)等實(shí)驗(yàn)技術(shù)來確定實(shí)驗(yàn)室中蛋白質(zhì)的形狀，但每種方法都依賴于大量的試驗(yàn)和錯(cuò)誤，這可能需要每年高達(dá)數(shù)萬美元的成本。這就是為什么生物學(xué)家正在轉(zhuǎn)向人工智能方法，以此作為這一漫長而費(fèi)力的過程的替代方案。

       對(duì)于蛋白質(zhì)折疊的復(fù)雜性，曾有外媒載文稱，用當(dāng)今最快的計(jì)算機(jī)模擬計(jì)算蛋白質(zhì)折疊，要花100年。不過是在當(dāng)時(shí)最快的計(jì)算機(jī)每秒幾萬億甚至十幾萬億次浮點(diǎn)運(yùn)算的速度下，雖然目前性能最強(qiáng)悍的超級(jí)計(jì)算機(jī)每秒運(yùn)算速度峰值可達(dá)20億億次，對(duì)于蛋白質(zhì)折疊的模擬計(jì)算仍有可能耗費(fèi)科學(xué)家數(shù)年乃至數(shù)十年的時(shí)間。

       每個(gè)蛋白質(zhì)都是一個(gè)氨基酸鏈，而后者的類型就有 20 種。蛋白質(zhì)可以在氨基酸之間扭曲、折疊，因此一種含有數(shù)百個(gè)氨基酸的蛋白質(zhì)有可能呈現(xiàn)出數(shù)量驚人（10 的 300 次方）的結(jié)構(gòu)類型。通常，已經(jīng)發(fā)現(xiàn)功能失常的蛋白質(zhì)會(huì)導(dǎo)致疾病，并且歷史上，用藥物瞄準(zhǔn)其結(jié)構(gòu)、激活或停用它們會(huì)產(chǎn)生治愈效果。由于計(jì)算機(jī)的算法和算力局限，直到現(xiàn)在，了解蛋白質(zhì)的結(jié)構(gòu)并不容易。

       根據(jù)中國科學(xué)院生物物理研究所生物大分子國家重點(diǎn)實(shí)驗(yàn)室研究員，中國科學(xué)院院士王志珍的觀點(diǎn)，蛋白質(zhì)的折疊和構(gòu)象發(fā)生錯(cuò)誤將會(huì)造成一些疾病，如阿爾茨海默氏癥，帕金森氏癥，亨廷頓氏癥和囊性纖維化等。隨著蛋白質(zhì)折疊研究的深入，人們會(huì)發(fā)現(xiàn)更多疾病的真正病因和更加針對(duì)性的治療方法，從而設(shè)計(jì)更有效的要素。

       如果科學(xué)家能夠?qū)W會(huì)從化學(xué)成分中預(yù)測(cè)蛋白質(zhì)的形狀，他們可以弄清楚它的作用，它可能會(huì)誤導(dǎo)和造成傷害，并設(shè)計(jì)新的抗擊疾病或履行其他職責(zé)。簡而言之，了解蛋白質(zhì)如何折疊，研究人員可以開創(chuàng)科學(xué)和醫(yī)學(xué)進(jìn)步的新時(shí)代。

       以老年癡呆癥（學(xué)名為阿爾茨海默氏癥）為例，它在人體的潛伏期長達(dá)十幾年之久，且病因復(fù)雜，以目前的醫(yī)學(xué)技術(shù)，臨床上甚至很難在發(fā)病前幾年檢測(cè)出這一疾病。

       幸運(yùn)的是，由于基因測(cè)序成本的快速降低，基因組學(xué)領(lǐng)域的數(shù)據(jù)非常豐富。因此，在過去幾年中，依賴于基因組數(shù)據(jù)的預(yù)測(cè)問題的深度學(xué)習(xí)方法變得越來越流行。DeepMind關(guān)于這個(gè)問題的工作產(chǎn)生了AlphaFold，并于今年提交給了CASP。

       DeepMind在博客中稱：“我們很自豪能成為CASP組織者稱之為‘計(jì)算方法預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)能力的前所未有的進(jìn)步’的一部分，在進(jìn)入的團(tuán)隊(duì)中排名第一。我們的團(tuán)隊(duì)專注于從頭開始建模目標(biāo)形狀的難題，而不使用先前解析的蛋白質(zhì)作為模板。我們?cè)陬A(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的物理性質(zhì)時(shí)達(dá)到了高度的準(zhǔn)確性，然后使用兩種不同的方法來構(gòu)建完整蛋白質(zhì)結(jié)構(gòu)的預(yù)測(cè)。”

       在2013年的某科技課題年度報(bào)告中（詳見：http://www.nstrs.cn/xiangxiBG.aspx?id=64700，該報(bào)告僅作參照，不代表任何實(shí)際預(yù)測(cè)或判斷）我們發(fā)現(xiàn)這樣的描述：“虛擬藥物篩選及計(jì)算生物學(xué)受計(jì)算機(jī)資源及計(jì)算方法與軟件的限制，難以對(duì)數(shù)千萬個(gè)化合物進(jìn)行比較系統(tǒng)的虛擬篩選，也難以實(shí)現(xiàn)一般蛋白質(zhì)結(jié)構(gòu)的從頭折疊模擬，無法滿足創(chuàng)新藥物和計(jì)算生物學(xué)研究的需求。因此，迫切需要開發(fā)超大規(guī)模并行的虛擬篩選，蛋白質(zhì)折疊分子動(dòng)力學(xué)模擬平臺(tái)，來滿足生命科學(xué)及創(chuàng)新藥物研究的需求。”

       從這個(gè)方向來看，DeepMind的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的應(yīng)用場(chǎng)景之一將是用于藥物創(chuàng)新的化合物篩選。

       實(shí)際上，早在2016年AlphaGo計(jì)劃擊敗李世石之后，DeepMind就迅速將目光投向了蛋白質(zhì)折疊。2017年10月，DeepMind在一次公開采訪中表示，團(tuán)隊(duì)開始對(duì)人工智能在藥物開發(fā)中的應(yīng)用感興趣，而新藥開發(fā)的關(guān)鍵一步，就是對(duì)靶點(diǎn)蛋白質(zhì)三維結(jié)構(gòu)的精準(zhǔn)測(cè)算。

       雷丁大學(xué)研究員Liam McGuffin表示：“預(yù)測(cè)任何蛋白質(zhì)折疊形狀的能力是一個(gè)大問題。它對(duì)解決許多21世紀(jì)的問題具有重大意義，影響健康、生態(tài)、環(huán)境，并基本上解決任何涉及生命系統(tǒng)的問題。”

       屢屢突破技術(shù)創(chuàng)新，DeepMind在醫(yī)療領(lǐng)域的探索

       在AlphaGo一戰(zhàn)成名后，DeepMind曾經(jīng)嘗試過許多用于數(shù)據(jù)驅(qū)動(dòng)的工具和技術(shù)，特別是支持人工智能的機(jī)器學(xué)習(xí)方法，為改善醫(yī)療保健系統(tǒng)和服務(wù)提供了希望。Alphabet的執(zhí)行主席 Eric Schmidt曾表示，以AlphaGo為代表的新的深度學(xué)習(xí)能力可以提高日常生產(chǎn)力，為企業(yè)帶來無數(shù)的機(jī)會(huì)，特別是在醫(yī)療保健、交通運(yùn)輸和政府領(lǐng)域。

       眼底篩查

       2016年3月，DeepMind Health（現(xiàn)已納入Google Health）使用與AlphaGo系統(tǒng)相同的深度學(xué)習(xí)技術(shù)。已經(jīng)與倫敦大學(xué)學(xué)院和Moorfields眼科醫(yī)院的研究人員使用深度學(xué)習(xí)技術(shù)創(chuàng)建軟件，通過3D掃描識(shí)別數(shù)十種常見眼病，然后建議患者進(jìn)行治療。

       這項(xiàng)工作是三個(gè)機(jī)構(gòu)之間多年合作的結(jié)果。雖然該軟件尚未準(zhǔn)備好用于臨床，但它可以在幾年內(nèi)部署在醫(yī)院中。

       根據(jù)發(fā)表在《Nature Science》上的論文中描述，該軟件在基于深度學(xué)習(xí)的既定原則，該原理使用算法來識(shí)別數(shù)據(jù)中的常見模式。在這種情況下，數(shù)據(jù)是使用稱為光學(xué)相干斷層掃描或OCT的技術(shù)對(duì)患者眼睛進(jìn)行3D掃描，創(chuàng)建這些掃描大約需要10分鐘，并且需要從眼睛內(nèi)部表面反射近紅外光，這樣做可以創(chuàng)建組織的3D圖像，這是評(píng)估眼睛健康的常用方法。

       該軟件接受了來自約7,500名患者的近15,000次OCT掃描的培訓(xùn)。這些人都在Moorfields眼科醫(yī)院接受治療。在一項(xiàng)測(cè)試中，AI的判斷與八位醫(yī)生組成的診斷進(jìn)行了比較，該軟件在94％的時(shí)間內(nèi)提出了同樣的建議。

       乳腺癌篩查

       2018年4月，Deepmind 加入了倫敦帝國理工學(xué)院英國帝國癌癥研究中心領(lǐng)導(dǎo)的一項(xiàng)開創(chuàng)性的新研究合作伙伴關(guān)系，探討人工智能技術(shù)是否可以幫助臨床醫(yī)生更快更有效地診斷乳腺癌乳腺癌。

       研究將分析2007年至2018年期間在醫(yī)院采集的大約30,000名婦女乳房X線照片。這些將通過AI技術(shù)與已經(jīng)提供的歷史去除乳房X線照片一起進(jìn)行分析。通過英國OPTIMAM乳腺X線攝影數(shù)據(jù)庫，研究該技術(shù)是否能夠比現(xiàn)有的篩查技術(shù)更有效地發(fā)現(xiàn)這些X射線上癌組織的跡象。在項(xiàng)目過程中，Jikei大學(xué)醫(yī)院也將分享來自大約30,000名女性的乳房超聲檢查和3,500次乳房MRI檢查。

       這些合作為通過提供DeepMind可用于培訓(xùn)醫(yī)療保健工作算法的數(shù)據(jù)在NHS中更多地使用AI奠定了基礎(chǔ)。

       協(xié)助醫(yī)生制定放療計(jì)劃

       2018年9月，Deepmind 倫敦大學(xué)醫(yī)院NHS基金會(huì)信托基金放射治療部門正在開發(fā)一種人工智能（AI）系統(tǒng)，該系統(tǒng)能夠分析頭頸癌的醫(yī)學(xué)掃描圖像并作為專家臨床醫(yī)生以類似的標(biāo)準(zhǔn)將其分類。在計(jì)劃放射治療時(shí)，器官分割過程是一個(gè)必不可少但耗時(shí)的步驟。Deepmind正在開發(fā)一種新的性能指標(biāo)，用于評(píng)估認(rèn)為更能代表臨床過程的模型性能，以及一個(gè)測(cè)試集，幫助醫(yī)生進(jìn)行器官分割與危及器官勾畫。

       預(yù)測(cè)急性腎損傷惡化風(fēng)險(xiǎn)

       2018年2月，Deepmind與美國退伍軍人事務(wù)部（VA）建立醫(yī)學(xué)研究合作伙伴關(guān)系，該部門是世界領(lǐng)先的醫(yī)療保健組織之一，負(fù)責(zé)為美國各地的退伍軍人及其家人提供高質(zhì)量的醫(yī)療服務(wù)。

       該項(xiàng)目正在與世界知名的VA臨床醫(yī)生和研究人員一起，分析來自大約700,000個(gè)歷史脫敏醫(yī)療記錄，以確定機(jī)器學(xué)習(xí)是否能夠準(zhǔn)確地識(shí)別患者惡化的風(fēng)險(xiǎn)因素并正確預(yù)測(cè)其發(fā)病，主要專注于急性腎損傷（AKI）。

       從DeepMind的上述研究可以發(fā)現(xiàn)，其在人工智能技術(shù)在諸多領(lǐng)域的探索仍處于試驗(yàn)階段，并未進(jìn)入臨床階段。

       有媒體觀點(diǎn)認(rèn)為，實(shí)際上，AI在生物學(xué)的整合并非個(gè)例。近年來以google為首的人工智能團(tuán)隊(duì)在生物醫(yī)藥領(lǐng)域全面開花，已經(jīng)在癌癥病理圖片識(shí)別，基因組突變檢測(cè)，疾病風(fēng)險(xiǎn)評(píng)估等諸多領(lǐng)域取得了等于與人類水平，甚至超過人類水平的耀眼成績。但這些表面看上去很成功的模型也都不可避免地受到普適性、可用性、可解釋性的障礙。

       從算法上來看，DeepMind對(duì)于蛋白質(zhì)折疊基礎(chǔ)研究的技術(shù)突破具有劃時(shí)代的意義。盡管Hassabis表示，DeepMind并沒有完全解決蛋白質(zhì)折疊問題，預(yù)測(cè)只是第一步。“蛋白質(zhì)折疊是一個(gè)極具挑戰(zhàn)的問題，但我們有一個(gè)很好的系統(tǒng)，以及一些尚未實(shí)施的想法。”

       一個(gè)事實(shí)是，雖然AlphaFold的成就確實(shí)值得稱贊，但只有在研究論文中詳細(xì)介紹并進(jìn)行同行評(píng)審時(shí)，才能理解該方法的獨(dú)創(chuàng)性，并成為一項(xiàng)研究成果。

       話雖如此，AlphaFold在該事件中的全面成功是一個(gè)明顯的跡象，科學(xué)界可能很快就能夠借助技術(shù)有效地預(yù)測(cè)蛋白質(zhì)的結(jié)構(gòu)。

       隨著其視野從游戲轉(zhuǎn)向現(xiàn)實(shí)世界的問題，看看DeepMind下一步把目光投向哪些科學(xué)問題也將是有趣的。