为什么说 AlphaFold 2 足以改变全人类？( 六 )

我们看到具体的结构，之前MSATransformer猜测的大体不差，有横向attention去往自己当前氨基酸序列的所有位置打attention ，有纵向的attention去看其他氨基酸序列的相同位置稳定性和突变有多少，只是在横向attention时，加了使用pairwisefeatures作为后attention上的一个bias：

MSA经过横向和纵向的attention ，最后还有一个transition层，其实就是两层的MLP ，中间塞一个relu 。 transition层的输出结果，通过计算外积，然后求平均，去计算出pairwisefeatures：

之后是pairwisefeatures的更新，称为三角乘法更新(Triangularmultiplicativeupdate) 。其motivation是说，这个矩阵描述的是任意两个残基之间的距离等关系，距离关系不是自由的，应该满足比如三角不等式，相邻的三个边应该满足两边之和大于第三边，所以这里的pairwisefeature的更新使用了所谓三角乘法更新，对于每个边，都会接收到和他组成三角形的任意两个其他边带来的更新：

之后是两层三角自注意力层（Triangularself-attention）：

结构模块（Structuremodule）结构模块使用MSA中的第一条而丢弃剩余部分（即只保留目标的这个氨基酸序列，丢掉检索到的其他MSA ，称作singlerepr），以及计算得到的pairfeatures ，以及把所有残基都从坐标原点初始化然后再去计算更新的backboneframes ，最终预测出具体的3D原子坐标。在计算中，每一层都去更新singlerepr和backboneframes（每个残基一个backboneframe ，每个backboneframe记录了从局部坐标系到全局坐标系的欧几里得变换），而计算得到的pairfeatures只在更新singlerepr的attention层中计算成一个bias 。（之前的猜想都以为要从pairfeatures上计算得到每对儿残基之间的距离，没想到只是个小小的配角）

然后我们逐层看结构模块在算什么。首先，这个backboneframes使用“黑洞初始化” ，这个黑洞初始化把所有的残基都放在全局坐标的坐标原点，然后在后面的每一层计算推走多远。 pairfeatures只用来在第一个attention子层中计算bias辅助更新singlerepr ，他们永远不变。在InvariantPointAttentionModule子层中，更新singlerepr ，在PredictRelativeRotationandTranslation子层中， singlerepr被映射为具体的updateframes去更新backboneframes 。对于每个残基，我们预测它和相邻残基之间肽键的角度和距离，这个角度和距离是自由的；而为了确定每个原子的坐标，残基内部也有若干扭转角度的参数，残基内部确定原子位置仅由这些扭转自由度确定。
效果展示

4总结和展望
本文主要介绍了蛋白质三维结构预测的背景知识和相关概念，让大家感性和部分理性上理解一下AlphaFold2很厉害。如果后续有比较多的人对AlphaFold2的具体细节和技术感兴趣，那么可以继续更一个详细的讲解；不过我们应该大部分读者都是做NLP的，了解了隔壁领域的大概意思学习其思想就可以了，不是那么着急的可以等专门搞生物的人的详解文章。未来不出意料的话，会有更多的研究员和计算资源被投入到生物大分子领域，人工智能发展和生物、医疗、制药，都会在未来的几年迎来一波技术的小爆发。