可预测10亿种蛋白质结构的开源模型发布

一款全新的人工智能工具正式亮相后，已知的蛋白质世界被大幅拓宽——它一次性生成了超过10亿个预测蛋白质结构，并附带了数十亿条蛋白质序列的详细图谱。

5月27日，美国生物医学研究机构Biohub正式发布了名为“ESM图谱”的数据库。该机构由社交平台“脸书”创始人马克·扎克伯格及其妻子——医生兼教育家普莉希拉·陈共同创立。

这个图谱包含的预测蛋白质结构数量，比谷歌“深层思维”公司的AlphaFold模型数据库多出8亿余条，相较之前的ESM图谱也增加了约3亿条。值得关注的是，其中大部分序列源自此前研究相对匮乏的元基因组数据。

“这一图谱全面呈现了蛋白质生物学的完整图景，尤其是那些尚未被充分认知的领域。”Biohub科学主管Alex Rives表示，“我们相信，它将成为新生物学发现的重要基石。”

这些预测结果由AI模型ESMFold2生成。据Biohub透露，ESMFold2在性能上已经超越了AlphaFold3（最新版本）以及其他蛋白质结构预测人工智能系统。

ESMFold2基于Rives团队2024年发布的“蛋白质语言”模型，该模型由涵盖“生命之树”的数十亿蛋白质数据训练而成。它纳入了来自土壤、海洋及其他环境的“元基因组”序列——这些序列并未收录在AlphaFold数据库中。

研究人员指出，在确定相互作用蛋白复合物的正确结构方面——特别是抗体分子与抗原靶点的结合——ESMFold2的表现优于包括AlphaFold3在内的现有方法。

在一篇发表于预印本服务器的论文中，研究人员展示了如何利用ESMFold2设计能与癌症及免疫疾病相关蛋白强力结合的新型抗体及其他蛋白质。实验室验证结果显示，很大比例的设计结果与预期一致。

Rives希望，这一免费开放的图谱能够帮助科学家在蛋白质世界的已知与未知领域之间建立桥梁。

瑞典隆德大学的计算生物学家Gemma Atkinson评价称，新图谱是“生物学领域一份非凡的资源”。她表示：“看到大规模蛋白质语言模型如何捕捉蛋白质生物学的基本规律，令人感到振奋。”

英国伦敦大学学院的计算生物学家Christine Orengo认为，这些预测虽然需要先经过验证，但有望帮助发现新的蛋白质折叠方式和功能，这对蛋白质设计和基础生物学研究都具有重要意义。

韩国首尔大学计算生物学家Martin Steinegger最关心的是，ESMFold2在预测与已知结构差异较大的蛋白质结构方面的表现。他的团队发现，ESMFold第一版在预测非常规蛋白质结构——尤其是元基因组数据中的结构——方面表现并不理想。

美国麻省理工学院的计算生物学家Sergey Ovchinnikov则认为，“ESM图谱”是对广泛使用的包含超过2亿个蛋白质结构的AlphaFold数据库的补充，而非替代。

Ovchinnikov补充说，ESMFold2对蛋白质相互作用的预测令人印象深刻，但也不算太出人意料。今年早些时候，“深层思维”公司旗下机构发布了一款专有模型，在该类结构预测上取得了显著进展。他表示，虽然未直接与ESMFold2对比，但其他开源模型在预测蛋白质相互作用方面也取得了令人瞩目的成果。

不过，Ovchinnikov认为，ESMFold2完全开源且不附加任何商业使用限制，这意味着它将得到广泛应用。“我预计很多人会兴奋地尝试使用ESMFold2。”