AlphaFold2原理:注意力机制取代卷积网络,预测准确性提升超30%
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
最近,DeepMind开源AlphaFold2,让学术圈再一次沸腾了。
这意味着,对于普通研究人员而言曾需要花几年时间才能破解的蛋白质结构,现在用AlphaFold2几小时就能算出来了!
那么,如此厉害的AlphaFold2究竟如何做到的呢?
DeepMind团队已经将它的详细信息在《Nature》上公开发表。
现在,就让我们来看看AlphaFold2的魔法是怎么实现的吧。
卷积消失了,Attention来了
论文中,研究人员强调AlphaFold2是一个完全不同于AlphaFold的新模型。
的确,它们使用的模型框架都不一样,这也是AlphaFold2准确性能够突飞猛进的主要原因。
此前AlphaFold中所有的卷积神经网络,现在都被替换成了Attention。
为什么要这样做呢?
我们首先要了解一下AlphaFold的工作原理:
它主要是通过预测蛋白质中每对氨基酸之间的距离分布,以及连接它们的化学键之间的角度,然后将所有氨基酸对的测量结果汇总成2D的距离直方图。
然后让卷积神经网络对这些图片进行学习,从而构建出蛋白质的3D结构。
但这是一种从局部开始进行预测的方式,很有可能会忽略蛋白质结构信息的长距离依赖性。
而Attention的特点刚好可以弥补这一缺陷,它是一种模仿人类注意力的网络架构,可以同时聚焦多个细节部分。
这样可以使得框架预测的结果更加全面、准确。
在CASP13中,AlphaFold预测的准确性还只有不到60分。
但是在CASP14中AlphaFold2就将准确性直接拔高到了92.4/100。
图网络+Attention
具体来看,AlphaFold2主要利用多序列比对(MSA),把蛋白质的结构和生物信息整合到了深度学习算法中。
它主要包括两个部分:神经网络EvoFormer和结构模块(Structure module)。
在EvoFormer中,主要是将图网络 (Graph networks)和多序列比对 (MSA)结合完成结构预测。
图网络可以很好表示事物之间的相关性,在这里,它可以将蛋白质的相关信息构建出一个图表,以此表示不同氨基酸之间的距离。
研究人员用Attention机制构建出一个特殊的“三重自注意力机制(Triangular self-attention)”,来处理计算氨基酸之间的关系图。
然后,他们将这一步得到的信息与多序列比对结合。
多序列比对主要是使相同残基的位点位于同一列,暴露出不同序列之间的相似部分,从而推断出不同蛋白质在结构和功能上的相似关系。
计算出的氨基酸关系与MSA进行信息交换,能直接推理出空间和进化关系的配对表征。
预测所有原子的3D结构
架构的第二部分是一个结构模块 (Structure Module),它的主要工作是将EvoFormer得到的信息转换为蛋白质的3D结构。
在这里,研究人员同样使用了Attention机制,它可以单独计算蛋白质的各个部分,称为“不变点注意力(invariant point attention)”机制。
它以某个原子为原点,构建出一个3D参考场,根据预测信息进行旋转和平移,得到一个结构框架。
然后Attention机制会对所有原子都进行预测,最终汇总得出一个高度准确的蛋白质结构。
此外,研究人员还强调AlphaFold2是一个“端到端”的神经网络。
他们会反复把最终损失应用于输出结果,然后再对输出结果进行递归,不断逼近正确结果。
这样做既能减少额外的训练,还能大幅提高预测结构的准确性。
为破解蛋白质折叠谜题带来希望
Alphafold2的出现,能更好地预判蛋白质与分子结合的概率,从而极大地加速新药研发的效率。
此次Alphafold2开源,将进一步推动科学界前进。
据了解,目前DeepMind已经与瑞士的一些研究团队合作,通过预测蛋白质结构开展药物方面的研究。
事实上,研究Alphafold2预测程序本身,也为探索蛋白质结构折叠原理带来了希望。
芝加哥大学的计算生物学家Jinbo Xu就表示:
这些工具的开源,意味着科学界能够在此基础上开发出更加强大的软件。
论文地址:
https://www.nature.com/articles/s41586-021-03819-2_reference.pdf
补充材料:
https://static-content.springer.com/esm/art%3A10.1038%2Fs41586-021-03819-2/MediaObjects/41586_2021_3819_MOESM1_ESM.pdf*
相关文章
- EasyCVR对接华为iVS订阅摄像机和用户变更请求接口介绍
- 精选 | 腾讯云CDN内容加速场景有哪些?
- 模块化网络防止基于模型的多任务强化学习中的灾难性干扰
- 用搜索和注意力学习稳健的调度方法
- 用于多变量时间序列异常检测的学习图神经网络
- 助力政企自动化自然生长,华为WeAutomate RPA是怎么做到的?
- 使用腾讯轻量云搭建Fiora聊天室
- TSRC安全测试规范
- 云计算“功守道”
- 助力成本优化,腾讯全场景在离线混部系统Caelus正式开源
- Flink 利器:开源平台 StreamX 简介
- 腾讯云实践 | 一图揭秘腾讯碳中和?解决方案
- 深度学习中的轻量级网络架构总结与代码实现
- 信息系统项目管理师(高项复习笔记三)
- Adobe国际认证让科技赋能时尚
- c++该怎么学习(面试吃土记)
- 面试官问发布订阅模式是在问什么?
- 面试官:请实现一个通用函数把 callback 转成 promise
- 空中悬停、翻滚转身、成功着陆,我用强化学习「回收」了SpaceX的火箭
- 中山大学林倞解读视觉语义理解新趋势:从表达学习到知识及因果融合