北大校友联合研发RoseTTAFold，十分钟可解析给定序列的三维结构( 三 )

在过去几年中，大卫·贝克团队相继设计出中性PH下自组装，酸性环境下快速分解的蛋白；能模仿DNA双螺旋结构缠绕并传递信息的蛋白；120个绿色荧光蛋白组成的可以在组织内移动时起到示踪作用的“纳米灯笼”以及能模仿白细胞介素2（IL-2）刺激T细胞作用的蛋白等多种人工蛋白。
丛倩告诉DeepTech ， DeepMind团队研发了深度学习的神经网络，然后大卫·贝克团队在此基础上进行了更为贴紧生命科学角度的应用。大卫·贝克团队和DeepMind团队既是竞争关系，也是互相促进的关系。
专注一个领域深耕
聊到深度学习进行蛋白质结构预测这样划时代的发现为什么出现在英美这样的发达国家时，丛倩指出，首先蛋白质折叠的结构预测这个问题已经有50多年的历史，在这样长的周期中很多科学家将目光从这个问题上转移了，学术圈对这个问题的关注度降低了。意即这是个很小的圈子，不会像现在大家做肿瘤，做免疫那样各处生花结果。
另外一个原因是所有的突破都是经过长期积累的，正是由于前期有无数结构生物学家与计算生物学家在这个问题上的探索基础，才能让深度学习这样的新技术一旦引进来就产生了大爆发。
追热点不一定会产生大变革，专注聚焦与深耕才能迎来机会。
在采访临近结束的时候，这位1986年生的哈尔滨姑娘聊起自己2005年考入北大时为什么选择生物。除了高中时期对生物的兴趣之外，丛倩笑着说，也因为那句“21世纪是生物科学的世纪” 。 “当然现在生物也确实越来越重要了，这句话也没错。 ”在北大接触到神经生物学，毕业后丛倩来到UTSW读直博，那时她的兴趣就转到了计算生物学。
现在丛倩已经在UTSW的助理教授岗位上工作了一年，同时也在组建自己的团队，其中已经包括两位中国籍同事。
谈及今后的科研计划，丛倩坦言靠过去那样博后工作结束成为PI单打独斗在当前环境下是无法与工业界的精英团队匹敌的，学者之间的合作也尤为重要。目前丛倩的部分工作也在与大卫·贝克团队合作进行，重点延续了博后时期的关注热点，即从比较结构组学角度分析蛋白质互作与共进化。