学者|五大顶级学者的AlphaFold 2论道：破译结构、开源代码后的产研「大变局」（下篇）( 四 )

黄昆（主持人）：如果想实现复现训练，Alpha fold2的35万高质性回炉准样序列，以及MSA和template准备训练集，千万元量级算力，会不会是一个很高的门槛？
许东：这肯定是一个大工程问题。
把模型训练到极致需要一个很强大的团队，DeepMind这篇文章，第一作者就将近20人。他们的人力并非小实验室，或一般学术实验室能够比拟。
而且他们在算力和数据等各方面，也要比一般学术实验室强很多。不仅是Alpha fold2，各种大工程问题都需要大研究所或大公司。
所以我觉得，Alphafold2的问题现在已经做到一定量级，小实验室不应该想着如何在数据打败他们，更应该寻找新创新点。
而且并非Alphafold2后，就没有事情可做，也并非大家都要和Alpha fold在算力和大数据方面死磕。
张阳：我再列举一个具体案例。我们许多人都已经知道AlphFold2的算法，拿到了源代码，但大家如果真复现它的成绩，往往会面临很严重算力问题。
Alphafold2用了128个顶级GPU，并行训练了7天，才达到这个模拟精度，但大多数实验室都没有这样的算力，甚至很多实验室一个GPU都没有。
如果全部在一个GPU训练Alpha fold2就需要1000天，而且还是在已知答案前提下，不包括很多试错、调参、测试时间。
模型开发真正耗费算力就是反复试错和不断探索过程，这个过程往往需要单个训练几百到上千倍的时间，相当于在黑暗当中探索。
所以对Alphafold2这样成绩的复现，将是一个巨大的算力考验。任何一家学术实验室都很难完成这样的大规模数据训练、测试，所以在硬件要求上门槛很高。
黄昆（主持人）：AlphaFold2用来预测Loop区域有多大的可信度？
张阳：单独来讲，Loop区域本身并没有很稳定的结构，它的构型依赖于与周边结构的相互作用。
所以，Loop结构预测精度很大程度依赖于，其它有规则二级机构区域模型的精度，其中就包括Loop两端距离是否适合等因素。
目前，AlphaFold2的loop精度应该比其它算法精度高一些，但这是因为它们在有规则二级机构的核心区域预测精度比较高。当把中心骨架结构都预测好之后，再把Loop搭起来，精度就会比较好一些。
黄昆（主持人）：请问各位专家团队后续有什么样的计划？是否会继续提升现有模型的蛋白质预测精度？还是会借助AlphaFold2在其他方向做突破？
许东：我过去做了十几年蛋白质结构核心开发，从2012年开始，我就集中在深度学习在生物信息学中应用。
我们后续的计划主要有三方面：
【学者|五大顶级学者的AlphaFold 2论道：破译结构、开源代码后的产研「大变局」（下篇）】第一，蛋白相互作用，例如蛋白对接，怎么利用深度学习选择更好的对接结构，相关文章目前已经出来，后面还要用更好的方式把蛋白相互作用预测出来。
第二，免疫和疫苗设计，这些方面有很大意义，我们在做单细胞数据的时候，能看到抗原决定部位上不同氨基酸，也能看到抗原上不同多肽序列在结构上怎么去发挥作用。怎么设计更好的疫苗，将是我们接下来的工作。
第三，用医学方法来提取动力学信息，更好表示出分子动力学的不同模式。
除了蛋白结构相关，我们还会做机器学习在单细胞数据应用，例如，受体与配体相互作用，在单细胞层面或空间层面，通过结构方式理解单细胞数据。
张阳：我们目前主要是想做和蛋白质结构相关的两件事：
第一，把深度学习推广到蛋白-蛋白复合体结构预测，这个问题比单链蛋白质结构预测更复杂，从功能注解来讲也更重要。
第二，把深度学习和结构生物学技术相结合，建立一种大标度利用低精度实验数据，快速确定高精度蛋白结构的计算方法。