Alphabet旗下的DeepMind部门正在使用内部开发的人工智能系统AlphaFold来预测科学界已知的大多数蛋白质结构。
DeepMind今天宣布了这一里程碑式的成果。DeepMind正在通过免费访问的UniProt蛋白质数据库向科学家提供该AI系统预测的蛋白质结构数据,预计这些数据将加速新药的发现并推进其他多个领域的研究。
蛋白质是生命的基石,是由称为氨基酸的化学物质组成的分子,有超过20种氨基酸以高度复杂的方式相互作用,氨基酸之间的相互作用导致蛋白质呈现出复杂的三维形状,这一直是研究人员关注的焦点。
蛋白质的形状直接影响其行为,因此,了解蛋白质的形状是许多研究项目中重要的一步,DeepMind开发的AlphaFold AI系统可以协助科学家完成此项任务。
有很多种方法可以识别蛋白质氨基酸的结构,然而,这些方法很大程度上都是非常耗时的:DeepMind表示,在某些情况下,绘制出单个蛋白质的结构可能需要数年时间,而且需要使用价值数百万美元的设备。
为了加快研究速度,几十年来,科学家们一直致力于开发出能够根据蛋白质所包含的氨基酸自动预测蛋白质结构的软件。但由于这项任务的复杂性,开发此类软件已经被证明是一项巨大的挑战。根据DeepMind的说法,一种典型的蛋白质预计有非常多潜在的结构,以至于手动计算这些结构所需的时间比宇宙的年龄还要长。
AlphaFold克服了这一挑战。DeepMind早在2018年第一次详细介绍了AlphaFold系统,并在两年后推出了具有改进功能的新版本。增强之后的系统可以预测蛋白质结构,平均错误率约为1.6埃(或约为一个原子的宽度)。
现在据DeepMind透露,已经使用AlphaGo预测了超过2亿个蛋白质结构,范围涵盖了科学界已知的大多数蛋白质。
DeepMind首席执行官Demis Hassabis在一篇博客文章中详细介绍说:“此次更新包括预测植物、细菌、动物和其他生物的结构,为研究人员提供了许多新机会,让他们可以使用AlphaFold推进在包括可持续性、粮食不安全问题以及被忽视的疾病等重要问题。”
DeepMind正在通过UniProt蛋白质数据库提供预测蛋白质结构的数据集,这些结构还将添加到托管在Google Cloud上的开源数据集目录中。根据DeepMind称,之前发布的100万个预测蛋白质结构集合已经被超过500000名研究人员访问。
Hassabis这样写道:“从抗击疾病到开发疫苗,AlphaFold已经在我们面临的一些最重大的全球挑战中,取得了令人难以置信的进展,而这只是未来几年它所发挥影响力的一个开始。AlphaFold是对未来的一瞥,让我们看到把计算和人工智能方法应用于生物学的各种可能性。”
DeepMind同时也在探索AI在其他领域的新应用,例如开发了可以下围棋和预测天气的机器学习系统,最近还推出了一个可以恢复古希腊受损铭文缺失文本、预算创建时间的系统。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。