据一项新的研究披露，研究人员推出了RoseTTAFold，这是一种用于蛋白建模的神经网络方法，其准确性接近DeepMind的AlphaFold2所达到的水准。更重要的是，这一功能强大的新型工具的代码以及公共服务器已向科学界免费开放。蛋白是生命的构建模块，其功能（对近乎所有的生物过程都必不可少）与其三维形状直接相关。然而，仅从其氨基酸序列来确定某蛋白的3D形状素来十分困难。最近，在CASP14蛋白结构预测评估大会上，基地设在伦敦的DeepMind介绍了它们的名为AlphaFold2的新型人工智能（AI）网络；AlphaFold2展示了卓越的预测蛋白形状的能力，其准确程度堪比X射线晶体照像术和低温电子显微镜检查（cryo-EM），但这些实验方法所费不赀且颇为耗时。在没有公布代码或方法的情况下，AlphaFold2的表现令人存疑：它所取得的准确性是否能在其它的、DeepMind以外研发的系统中实现；DeepMind是全球领先的研究深度学习的公司。Minkyung Baek、David Baker和同事在此介绍了一种名为RoseTTAFold的AI网络，它所预测的结构准确性逼近DeepMind的AlphaFold2，但其所用计算处理功率和时间仅为后者的零头。在已报道的AlphaFold2方法学进展和其自身CASP14方式的基础上，Baek 等人研发了一个3轨道网络，后者可集成并同时处理1维（1D）蛋白序列、2D距离图和3D原子坐标等信息。据作者披露，除了预测准确外，RoseTTAFold网络还可快速解决具挑战性的蛋白结构建模问题，为目前结构未知蛋白的功能提供线索。
###
Journal
Science