为什么说 AlphaFold 2 足以改变全人类？

前天， AlphaFold2开源，相信大家被大大小小的公众号刷屏了。谷歌Deepmind团队此前使用基于Transformer的模型，在CASP14比赛上，刷新蛋白质三维结构预测的新高度，而详细论文，代码，久久没有开源，大家翘首以待到现在，终于等来了它。为什么大家都是魔改Transformer刷SOTA ，别人万众瞩目Nature抢着发，被生化医药圈子里的科研人员认为是诺奖级别的工作，然而我们也是用Transformer天天刷SOTA ，却发个会议都感觉无比艰难呢？
鉴于大家都是搞NLP的不懂生物，对于别人热火朝天的AlphaFold2讨论感觉自己格格不入，为了解决这个问题，卖萌屋从NLP研究员的角度，看一看这个被Transformer轰动一时的蛋白质三维结构预测为何如此有影响力，通过浅显但完整的知识介绍，带大家无痛入门生物大分子。因为炼丹学徒本人也是做NLP的，具体的生物学知识的细节可能存在错误，希望大家如果读到可以指出。希望抛砖引玉，通过阅读本文可以花费很短的阅读时间，建立起所需要的知识大体框架，如果有进一步了解的兴趣，再去进一步调研相应的部分。
本篇观点文章的结构组成为，蛋白质结构预测的任务介绍，对人类的意义，蛋白质结构预测的经典算法和近期NLP+蛋白质的相关工作介绍， AlphaFold2的突破之处和具体做法，以及总结和展望。
论文题目:
HighlyaccurateproteinstructurepredictionwithAlphaFold
开源链接:
https://github.com/deepmind/alphafold
论文链接:
https://www.nature.com/articles/s41586-021-03819-2_reference.pdf
1基础知识
蛋白质结构
首先我们看一下蛋白质三维结构预测的任务定义。输入氨基酸序列，预测其三维结构坐标，此处，三维结构坐标指的是氨基酸组成的蛋白质中，每个原子的x,y,z坐标。我们是碳基生物，氨基酸的中间也是一个碳原子，碳原子有四个未配对的游离的点子，因此可以连出去四个单键，分别是羧基COOH ，氨基NH2 ，一个氢原子H和自由基R ， R的不同决定了这个氨基酸的不同，常见的可以组成生命的R只有20种，因此我们做NLP的可以把它当做一个21个词的词典给他embedding（其他不常见的丢进第21个词UNK）。氨基酸的COOH和NH2可以脱水缩合成肽键CONH把很多的氨基酸连成一个长链，称为肽链。肽链中的氨基酸由于连接时脱水缩合失去了一分子水H2O不是完整的氨基酸，因此称为残基，我们在读生物学论文里常见到的residue ，指的就是它。

因为这个NH2-CH-COOH是固定结构（R是不固定的），而这个氨基酸的COOH要和下一个氨基酸的NH2结合成肽键连起来，因此这一条连续的肽键-碳-肽键上的原子是一定会存在的，这些碳、氧、氮的链称为骨架链（backbone），而那些不同的R被称为侧链(sidechain) 。氨基酸的顺序被称为氨基酸的一级结构。二级结构是折叠后规则的片段，周期性的结构构象，比如挨着的肽键会形成某一个角度的螺旋上升（螺旋），一级结构上挺远的片段通过氢键折叠在一起（折叠），或者松散的结构（coil），如果某个位置发生了90度以上的急转弯，则又记录为转角。三级结构则是考虑上那些侧链里更复杂的作用关系后的完整三维坐标，比如二硫键把某些位置拉近了， coil结构到底松散成了什么具体形状，某些作用力又使得结构更复杂地变化了。两个以上的蛋白质可以通过分子对接可以拼成更复杂的结构，也称为四级结构，对接的过程被称为docking ，是信号分子发生作用，蛋白质发挥功能，药物和蛋白质结合等生化反应里的重要模拟。