6562 聯亞藥

中央流行疫情指揮中心於8月16日宣布聯亞生技UB-612疫苗未取得緊急使用授權（EUA），對此結果聯亞生技深感遺憾，並於此做出以下聲明：

聯亞非常感謝4215位參加聯亞UB-612次單位疫苗的第一期和第二期臨床試驗的受試者，謝謝受試者慷慨地貢獻出自己的手臂，數月來孜孜不倦地填寫電子日誌及嚴重危險不良反應監測。這個二期試驗期中結果顯示相當成功。聯亞董事長王長怡以最誠懇負責任的態度向所有受試者表達參加的疫苗成效三項重要數據：

(1)解盲最主要觀察的安全性指標、除了與疫苗接種部位相關的肌肉疼痛、紅腫及皮膚過敏等輕度不良反應外、其他全身性不良反應均與對照組(placebo)相近。UB-612次單位疫苗是注重自病毒欲感染細胞那一瞬間開始至其後將被重要的免疫細胞辨識而發揮抵禦功能的每一環節，全依層層免疫原理來確保參與者的健康，所以是一以病毒免疫為基石的嶄新疫苗；雖開發產品穩定生產的功夫及時程比mRNA及腺病毒載體(adenovector)疫苗更多，但回報的安全性也相對為高；
(2)在抗體反應上有超過95%18-65歲的成年組受試者和將近90%的?65歲老年組受試者對新冠病毒武漢株(WuhanSARS-CoV-2virusstrain)的中和抗體和對病毒想進入細胞而與細胞受體結合處(receptorbindingdomain,RBD)的首要敲門磚[第一棘蛋白(Spike1,S1)之抗體]，即Anti-S1-RBD抗體的血清反轉率可達到四倍上升；中和抗體濃度的幾何平均效價也高於感染後恢復期血清的中和抗體濃度，和第一期臨床試驗的結果相當一致，且具高度重覆性與可靠性(reliability)；
(3)更重要的是聯亞生技的UB-612疫苗也激發疫苗保護力中另一極為重要的「T細胞免疫力」。這些數據均顯示此UB-612具備成為安全有效對抗新冠肺炎疫苗的優質特色。

政府採用「僅取單一時間點」的免疫橋接方法，「以AZ疫苗產生的對抗新冠病毒原型株之中和抗體力價」作為最重要且唯一比對標準，否決了聯亞UB-612的緊急授權申請。這樣的審查標準只是局部性免疫，無法全面評估疫苗激發出來的免疫力及其面對未來防疫的實效，尤其T細胞免疫力在近十年愈來愈受國際免疫學者重視，因其不但有毒殺細胞內病毒的功效，也協助更重要的免疫持久性(immunitypersistence)，讓接種者不要耽心接種3-6個月後免疫力驟降而難以抵禦更頑強的病毒。至於免疫橋接，聯亞認為中和抗體力價不應只觀察單一時間點，而更應該注重抗體力價的維持性(maintenance)及對抗目前流行病毒變異株的效力；同時也要納入T細胞免疫反應分析，才能較完整的評估疫苗的綜合效力，也給國人更專業的病毒免疫全貌科學數據。

UB-612疫苗為強化T細胞免疫多位點胜月太(multi-epitopepeptide-basedvaccine及S1-RBD蛋白的B細胞免疫特別設計多重免疫擋火牆組合而成的次單位疫苗(subunitvaccine)。在美國執行的猴子攻毒試驗證實可降低病毒量至無法偵測的極限值以下。經第一、二期臨床證實可有效誘導「T細胞毒殺病毒的免疫力」以及產生「阻擋病毒和細胞表面的ACE2受體結合的RBD蛋白部位」之中和性抗體，因此能高效阻斷病毒感染寄主細胞。UB-612疫苗的三大優勢是:
(1)產生的中和性抗體不但持久(半衰期195天)；
(2)可以中和大多數病毒變異株，尤其對印度Delta變異株仍保有與原始武漢株（WT）相近之中和抗體效價。較目前上市的疫苗(包括AZ疫苗)所產生的中和性抗體，對印度Delta病毒卻均大幅下降更是接種者的福音。
(3)UB-612疫苗能精準的產生有效T細胞免疫力是第三個極大優勢。目前關於T細胞免疫力的重要性，國際探討免疫橋接的論文，都把「疫苗接種後」的血清抗體濃度和細胞免疫反應，去和「康復者」血清及血樣相比。例如:AZ產生的抗體雖然只達到康復者血清的兩成，就認為有保護力；將T細胞納入考量後，AZ抗體只需達到康復者血清的3%就認為有保護力。即中和抗體濃度並不是保護力必要或唯一的因素。

政府於6月10日公布的EUA審查是以單一側重中和性抗體的免疫橋接為標準，聯亞也體諒政府事先無法藉由良好橋接試驗規劃，取得打AZ疫苗者的血清及血液細胞樣本，因此無法納入T細胞免疫力及其他的評量，只能以部桃醫院接受過AZ疫苗的醫護有限血清樣本以單一時間點，評估對抗新冠病毒原型株之中和抗體力價結果作為免疫橋接標準，但這對UB-612這款以短月太及小片段蛋白，目的用來避掉大部分疫苗的副作用，卻又能產生T細胞與B細胞均衡且專一的免疫性，UB-612疫苗的設計是全球獨一的，惜未事先經過充分討論或溝通，且匆忙制定的標準下，UB-612疫苗無法通過EUA審查，可能讓一支可以對抗現在正在國際間流行的變異病毒且優秀的疫苗錯失保護國人及人類健康的良機。

聯亞團隊除了感謝受試者外，也要感謝執行試驗的醫院、IRB及試驗主持人。感謝所有試驗中心的臨床團隊至今仍與聯亞一起努力。聯亞誠摯呼籲受試者對聯亞有信心，協助完成聯亞疫苗二期臨床試驗六個月的訪視，向法規單位證明UB-612產生的抗體有強而有力的續航力！聯亞也會提供受試者最完整的抗體群組輪廓來回報受試者。聯亞非常感謝CDE的傾力輔導，沒有CDE，就沒有UB-612。還有最後一哩路！目前持續與CDE、食藥署及有關專家進行溝通，討論“全面免疫力評估及納入目前流行之Delta等變異株病毒進行中和抗體效力的比較性試驗”，以完整呈現聯亞生技UB-612疫苗設計的優異性：人體免疫系統除了產生B細胞抗體反應之外，也產生能對抗病毒變異株的T細胞免疫反應。尤其所產生的抗體具中和Delta等變異株病毒的有效性。聯亞取得國際認證的決心不變，這是聯亞的使命，希望一起攜手合作，守護台灣，守護全球防疫。

坐了40年冷板凳，現在拯救美國就靠她

全球都在等待新冠肺炎疫苗。

最值得期待的，是一種基於信使RNA技術的疫苗，正在美國FDA的綠色通道審批中。相比傳統疫苗，它更安全、快速、副作用小，可以說是汽車和馬車的區別。（中國在測試自己的信使RNA疫苗，也有企業跟美國企業合作生產）

這個技術不僅能生產疫苗，也能治療中風、癌症、流感等。新冠疫情將這一技術的變革，提前了至少一代人。

這項技術的奠基人，Katalin Kariko，匈牙利裔美國科學家，也終於進入大眾視野。

她已經在冷板凳上坐了近40年。30歲失去工作，漂洋過海赴美，被辭退，被降級、無數次申請經費被拒，終於等到了歷史的機遇。


Katalin Kariko的人生，沒有“容易”兩個字。

她生在匈牙利，博士畢業後，在匈牙利南部城市Szeged，匈牙利科學院下屬的生物研究中心工作。

Katalin Kariko癡迷于信使RNA。這是一種很特別的RNA，它告訴細胞，要為人體製造哪些蛋白質。理論上，如果能操控制造信使RNA，告訴它要製造哪些蛋白質，人類就能獲得一個最厲害的武器，去抵抗疾病。

想法很美好，但這只是理論。人類對它的瞭解剛剛開始，在1980年代，這是一個遠遠還看不到成果的基礎研究。


不出意外，沒有科研成果的Katalin Kariko，在她30歲那年，被單位University of Szeged解雇了。

她想在歐洲找個近一點的工作，但一直未如願。結果，只有位於遙遠的美國賓夕法尼亞州的天普大學，給了她一個工作機會。

1985年的一天，她和丈夫帶著才兩歲多的女兒，踏上了赴美漂泊之路。

1980年代的匈牙利，是前蘇聯陣營裡自由開放度最大的之一，但經濟發展水準依然遠遠落後於西歐。

他們家唯一值錢的資產，是一輛汽車。賣掉後，在黑市上換了900英鎊。她把這900英鎊，縫在女兒的泰迪熊裡，進入美國。


從1990年開始，科學家嘗試用信使RNA來製造新藥，但結果都很不理想。

那個年代，人類對信使RNA瞭解太少。這個技術致命的缺陷是，它在到達靶細胞之前，就被人體的防禦系統破壞了。更嚴重的是，人體會本能的反擊外來入侵者，產生嚴重的免疫反應，甚至導致死亡。

經過很多次失敗，多數科學家都放棄了，信使RNA領域被稱為“科學上的一潭死水”。

Katalin Kariko拿不到經費，團隊解散了，1989年，她加入賓大藥學院。

那些年，是她職業生涯的最低谷，沒有人相信她。

1995年，因為拿不到經費，沒有專案，也沒有成果，她在賓大又被降級到最低級別。

換個人，此時都會想去別的地方，或者換一個方向，但Katalin Kariko很軸，她堅持下來了。

1998年，時來運轉，Katalin Kariko終於熬到了第一筆經費，10萬美元。

巧合的是，也就是那一年，他遇到了人生貴人。她在影印機旁遇到了一個新同事，Drew Weissman，他剛從美國國家衛生研究院（National Institutes of Health）跳槽到賓大。


兩人在影印機邊閒聊，Katalin Kariko告訴他，我能造出任何一種信使RNA。

Drew Weissman慧眼識珠，看到了Katalin Kariko研究的無限價值。兩人一拍即合，成為合作夥伴，探索用信使RNA技術在生物醫藥上的應用。

2005年，他們終於找到解決人體免疫反應的辦法，用弱化的版本替換了一個RNA的模組。

這樣，人造的信使RNA，就像神偷一樣，不知不覺的潛入人體細胞，而不會驚醒人類的免疫防禦系統。



他們的成果被另一個高人注意到了，斯坦福大學幹細胞生物學博士後Derrick Rossi，讀到了他們的論文，驚歎這是諾獎級別的發現。

他感覺到其中巨大的商機，找到投資後，于2010年成立了一家公司，Moderna。

在德國，另一個團隊也看到了這項技術的巨大潛力，並組建了一家新公司BioNTech，其美國總部位於麻省劍橋。該公司將開發基於信使RNA的癌症疫苗。2013年，BioNTech聘請Kariko擔任高級副總裁，幫助監督mRNA工作。

這兩家公司的技術，都是基於Kariko和她的合作者Weissman。

雖然技術很前衛，但影響還只是局限在小圈子，直到2019年底，武漢爆發新冠疫情。

中國科學家于1月10日在網上發佈了其基因序列。因為信使RNA技術不需要病毒本身來製造疫苗，Moderna、BioNTech和其他公司的研究人員便開始工作，試圖用這一技術快速製造出新冠肺炎疫苗。

BioNTech與輝瑞達成合作，投入了數十億美元生產疫苗。

Katalin Kariko 終於迎來了事業的高峰。


Katalin Kariko的成功，一是選擇了合適的土壤。

35年後，回憶當年的決定，Katalin Kariko慶倖自己離開了匈牙利，如果還呆在那，現在就是一個“不停抱怨的平庸科學家”。

她相信，到美國後，那種一切從頭開始，一切要靠自己，為了更好生活的掙扎，促成了自己的成功。在匈牙利，“關係”是非常關鍵的成功要素，整個國家，不是最好最聰明的人取得財富和名聲，而是靠關係來運作。

美國對基礎科學的寬容和慷慨，也給了她助力，儘管她的研究常年沒有成果，拿不到研究經費，但依然能維持生活。中後期，大量的研究經費讓她能笑到最後。對基礎研究的寬容和慷慨，美國確實是全球做的最好的之一。

二是，做自己熱愛的事情，無條件相信自己。

基礎研究很辛苦、很沉悶，研究者要甘於寂寞和清貧，只有真的是熱愛學術研究的人，才能堅持下來。

在哈佛的一次演講中，Katalin Kariko強調她的成功“特別的依賴於失敗”，因為她所研究的是未知領域，路上遭遇了無數的障礙。

但她沒有放棄，她是個工作狂，經常全年無休，包括新年的那一天都在工作。有時候累了就睡在辦公室的沙發上。

她享受工作，熱愛研究，夢想著信使RNA技術能治療所有的疾病。她的科研成果是驚人的，她的論文引用次數接近12000次，這是非常高的引用數字。

她的努力也激烈著女兒。


她女兒賽艇運動員，兩屆奧運會金牌得主，在北京奧運會和倫敦奧運會拿到了金牌。她曬了很多女兒獲獎，接受採訪和報導的新聞，為女兒的成就而驕傲。


這是她女兒在2008年奧運會上，與已故籃球巨星科比的合影。拿到金牌那天晚上，她在運動員村偶遇科比，科比對她脖子上掛著的金牌羡慕不已。

堅持和天賦，她把這兩個最好的基因，都傳給了女兒。


背景 信使RNA疫苗比傳統疫苗強在哪？

目前全球有十多種疫苗在後期臨床試驗階段，但只有輝瑞和Moderna的為信使RNA疫苗。

疫苗的原理都一樣，教人類的免疫系統起反應，來抗擊外來病毒。

傳統疫苗，將滅活或者減活病毒，注射入人體。這需要很長時間培育和優化病毒，而且，注射進人體的病毒，可能給人帶來風險。

信使RNA疫苗，並不需要真正的病毒注射到人體，而是人造了一個RNA片段，引發人體同樣的免疫反應，從而達到抗體的作用。

一是安全、副作用小。並沒有真正的病毒注射到人體，只是激發了人體免疫反應，因此，人不可能因為注射病毒而感染病毒，副作用要小很多。

二是有效性強。一般的流感疫苗，只有超過50%的有效性。此前，醫學界預計信使RNA疫苗有效性在60-70%。兩家公司大規模試驗接種結果顯示，超過95%的有效性。

三是研發生產速度快。常規疫苗的製造，雞蛋培育等過程需要幾個月，信使RNA 疫苗不需要這些步驟，大大加快了研發時間，只需幾周時間。


唯一的問題，是儲存分發。輝瑞的疫苗需要存儲在極冷的環境中，在美國就有多個巨大的疫苗儲存中心，上圖這個有一個美式橄欖球場大，擺滿了巨大的冰櫃。

全程都需要隔溫箱加乾冰運輸，但只要運到了醫院，就能在普通的冰箱中保存5天。

新冠疫苗的分發，將是有史以來規模最大的。光是輝瑞公司，就計畫每24小時20架飛機，在美國境內運送疫苗。

Moderna的保存條件沒有這麼苛刻，但也需要全程冷藏，而且，其生產能力沒有輝瑞那麼強大。

所以，信使RNA疫苗目前只能提供給美國等發達國家，可以說是富人的專利。廣大的發展中國家和農村地區，可能還得依賴傳統的疫苗，或者等待生產能力提升。

「它將改變一切！」

DeepMind AI解決生物學50年來重大挑戰，破解蛋白質分子折疊問題。

本週振奮全球AI界的消息：Google旗下人工智能企業DeepMind發布了最新 AlphaFold成果，這是全球AI界無比振奮的重大科研突破。蛋白質存在於我們世界中的所有有機物體及奧妙人體中，全新的AlphaFold 算法揭秘了生物學界50年來試圖破解蛋白質分子折疊的難題，這項AI帶來的重大突破，將幫助科學家弄清某些困擾人們的疾病機制、加速找出新型流行病的具體原因（比如今年的全球新冠大流行），促進新藥設計、幫助農業增產、解析可有效降解廢棄物的嶄新成分、甚至探索為大氣減碳的全新解決方案。

我特別期待 AlphaFold 能為人類健康、環境生活推向更寬廣的可能性。在魔幻2020 最後一個月，這真是一個讓人懷抱希望的全新技術可能性，期待 AlphaFold之後締造更多 AI for Good 落地應用。

以下文章詳盡解釋了這項突破，內容經《機器之心》微信公眾號授權轉載。

▎生物學界最大的謎團之一，蛋白質折疊問題被 AI 破解了。

11 月 30 日，一條重磅消息引發了科技界所有人的關注：谷歌旗下人工智能技術公司 DeepMind 提出的深度學習算法「Alphafold」破解了出現五十年之久的蛋白質分子折疊問題。

最新一代算法 Alphafold 2，現在已經擁有了預測蛋白質 3D 折疊形狀的能力，這一複雜的過程對於人們理解生命形成的機制至關重要。

DeepMind 重大科研突破的消息一出即被《Nature》、《Science》等科學雜誌爭相報導，新成果也立刻獲得了桑達爾 · 皮查伊、伊隆 · 馬斯克等人的祝賀。

科學家們表示，Alphafold 的突破性研究成果將幫助科研人員弄清引發某些疾病的機制，並為設計藥物、農作物增產，以及可降解塑料的「超級酶」研發鋪平道路。

「這是該研究領域激動人心的一刻，」DeepMind 創始人、首席執行官德米斯 · 哈薩比斯說道。 「這些算法今天已經足夠成熟強大，足以被應用於真正具有挑戰性的科學問題上了。」

蛋白質對於生命至關重要，它們是由氨基酸鏈組成的大型複雜分子，其作用取決於自身獨特的 3D 結構。弄清蛋白質折疊成何種形狀被稱為「蛋白質折疊問題」。在過去 50 年裡，蛋白質折疊一直是生物學領域的重大挑戰。

DeepMind 的 AlphaFold 讓人類在這一問題上取得了重要突破。在今年的國際蛋白質結構預測競賽 CASP 中，DeepMind 開發的 AlphaFold 最新版本擊敗了其他選手，在準確性方面比肩人類實驗結果，被認為是蛋白質折疊問題的解決方案。這一突破證明了 AI 對於科學發現，尤其是基礎科學研究的影響。

在兩年一次的 CASP 競賽中，各組爭先預測蛋白質的 3D 結構。今年，AlphaFold 擊敗了所有其他小組，並在準確性方面與實驗結果相匹配。

對於不熟悉生物領域的人來說，CASP 的大名可能有些陌生——CASP 全稱 The Critical Assessment of protein Structure Prediction，旨在對蛋白質結構預測進行評估，被譽為蛋白質結構預測的奧林匹克競賽。 CASP 從 1994 年開始舉辦，每兩年一屆，目前正在進行的一屆是 11 月 30 日開始的 CASP14。

而 DeepMind 這一突破有什麼影響？

用哥倫比亞大學計算生物學家Mohammed AlQuraishi 在Nature 文章中的話來說，「可以說這將對蛋白質結構預測領域造成極大影響。我懷疑許多人會離開該領域，因為核心問題已經解決。這是一流的科學突破，是我一生中最重要的科學成果之一。」

▎蛋白質折疊問題

蛋白質的形狀與它的功能密切相關，而預測蛋白質結構對於理解其功能和工作原理至關重要。很多困擾全人類的重大問題（如尋找分解工業廢料的酶）基本上都與蛋白質及其扮演的角色有關。

多年以來，蛋白質結構一直是熱門的研究話題，研究者使用核磁共振、X 射線、冷凍電鏡等一系列實驗技術來檢測和確定蛋白質結構。但這些方法往往依賴大量試錯和昂貴的設備，每種結構的研究都要花數年時間。

1972 年，美國科學家 Christian Anfinsen 因「對核糖核酸酶的研究，特別是對其氨基酸序列與生物活性構象之間聯繫的研究」獲得諾貝爾化學獎。在頒獎禮上，他提出了一個著名的假設：從理論上來說，蛋白質的氨基酸序列應該可以完全決定其結構。這一假設引發了長達五十年的探索，即僅僅基於蛋白質的一維氨基酸序列計算出其三維結構。

但這一思路的挑戰在於，在形成三維結構之前，蛋白質的理論折疊方式是一個天文數字。 1969 年，Cyrus Levinthal 指出，如果使用蠻力計算的方式來枚舉一種蛋白質可能存在的構象，要花費的時間甚至比宇宙的年齡還要長。 Levinthal 估計，一種蛋白質大約存在 10^300 種可能構象。但在自然界中，蛋白質會自發折疊，有些只需幾毫秒，這被稱為 Levinthal 悖論。

CASP 14 比賽最新結果：AlphaFold 中位 GDT 高達 92.4

CASP 競賽由 John Moult 和 Krzysztof Fidelis 兩位教授於 1994 年創立，每兩年進行一次盲審，以促進蛋白質結構預測方面的新 SOTA 研究。

一直以來，CASP 選擇近期才經過實驗確定的蛋白質結構，作為參賽團隊測試其蛋白質結構預測方法的目標（有些結構即使在評估時仍然處於待確定狀態）。這些蛋白質結構不會事先公佈，參賽者也必須對其結構進行盲測，最後將預測結果與實驗數據進行對比。正是基於這種嚴苛的評估原則，CASP 一直被稱為預測技術評估方面的「黃金標準」。

CASP 衡量預測準確率的主要指標是 GDT（Global Distance Test），範圍從 0 到 100，可以理解為預測的氨基酸殘基在正確位置閾值距離內的百分比。 John Moult 教授表示，GDT 分數在 90 分左右，即可視為對人類實驗方法具備競爭力。

在剛剛公佈的第14 屆CASP 評估結果中，DeepMind 的最新AlphaFold 系統在所有預測目標中的中位GDT 達到92.4，意味其平均誤差大概為1.6 埃（Angstrom），相當於一個原子的寬度（或0.1納米）。即使在難度最高的自由建模類別中，AlphaFold 的中位 GDT 也達到了 87.0。

歷屆 CASP 競賽自由建模類別中預測準確率中位數的提升情況，度量指標為 BEST-OF-5 GDT。

CASP 競賽自由建模類別中的兩個目標蛋白質示例。 AlphaFold 能夠預測出高度準確的蛋白質結構。

這些令人振奮的結果開啟了生物學家使用計算結構預測作為科研主要工具的時代。 DeepMind 提出的方法對於某些重要的蛋白質類別尤其有用，例如膜蛋白（membrane protein）。膜蛋白很難結晶，因此很難通過實驗方法來確定其結構。

該計算工作代表了在蛋白質折疊這一具備 50 年曆史的生物學問題上的驚人進展，比該領域人士成功預測蛋白質折疊結構早了幾十年。我們將很興奮，它能從多個方面對生物學研究帶來基礎性改變。 ——Venki Ramakrishnan 教授（諾貝爾獎得主，英國皇家學會會長）

▎DeepMind 這樣解決蛋白質折疊問題

2018 年，DeepMind 團隊使用初始版 AlphaFold 參加 CASP13 比賽，取得了最高的準確率。之後，DeepMind 將 CASP13 方法和相關代碼一併發表在 Nature 上。而現在，DeepMind 團隊開發出新的深度學習架構，並使用該架構參加 CASP14 比賽，達到了空前的準確率水平。這些方法從生物學、物理學、機器學習，以及過去半個世紀眾多科學家在蛋白質折疊領域的工作中汲取靈感。

我們可以把蛋白質折疊看作一個「空間圖」，節點表示殘基（residue），邊則將殘基緊密連接起來。這個空間圖對於理解蛋白質內部的物理交互及其演化史至關重要。對於在 CASP14 比賽中使用的最新版 AlphaFold，DeepMind 團隊創建了一個基於注意力的神經網絡系統，並用端到端的方式進行訓練，以理解圖結構，同時基於其構建的隱式圖執行推理。該方法使用進化相關序列、多序列比對（MSA）和氨基酸殘基對的表示來細化該圖。

通過迭代這一過程，該系統能夠較強地預測蛋白質的底層物理結構，並在幾天內確定高度準確的結構。此外，AlphaFold 還能使用內部置信度度量指標判斷預測的每個蛋白質結構中哪一部分比較可靠。

DeepMind 團隊在公開數據上訓練這一系統，這些數據來自蛋白質結構數據庫（PDB）和包含未知結構蛋白質序列的大型數據庫，共包括約 170,000 個蛋白質結構。該系統使用約 128 個 TPUv3 內核（相當於 100-200 個 GPU）運行數週，與現今機器學習領域出現的大型 SOTA 模型相比，該系統所用算力相對較少。

此外，DeepMind 團隊透露，他們準備在適當的時候將這一 AlphaFold 新系統相關論文提交至同行評審期刊。

AlphaFold 主要神經網絡模型架構概覽。該模型基於進化相關的蛋白質序列和氨基酸殘基對運行，迭代地在二者的表示之間傳遞信息，從而生成蛋白質結構。

▎對現實世界的潛在影響

「讓 AI 突破幫助人們進一步理解基礎科學問題」，經過 4 年的研究攻關，現在 AlphaFold 正在逐步實現 DeepMind 初創時的願景，在藥物設計和環境可持續性等領域都產生了重要的影響。

馬克斯· 普朗克演化生物學研究所所長，CASP 評估員Andrei Lupas 教授表示：「AlphaFold 的精確模型讓我們解決了近十年來被困擾的蛋白質結構，重新啟動關於信號如何跨細胞膜傳輸的研究。 」

DeepMind 表示願與其他研究者合作，以進一步了解 AlphaFold 在未來幾年的潛力。除了作用於經過同行評審的論文以外，DeepMind 還在探索如何以最佳的可擴展方式為系統提供更廣泛的訪問可能。

同時，DeepMind 的研究者還研究了蛋白質結構預測如何幫助人們理解一些特殊的疾病。例如，通過幫助識別存在故障的蛋白質，並推斷其相互作用的方式，來理解一些疾病的原理。這些信息能夠讓藥物開發更加精確，從而補充現有的實驗方法，並更快找到更有希望的治療方法。

AlphaFold 是十分卓越的，它在預測結構蛋白質的速度和精度上有著驚人的表現。這一飛躍證明了計算方法對於生物學中的轉換研究，加速藥物研發過程都具有廣闊的前景。

同時許多證據也表明，蛋白質結構預測在未來的大流行應對上是有用的。今年早些時候，DeepMind 使用 AlphaFold 預測了包括 ORF3a 在內的幾種未知新冠病毒蛋白質結構。在 CASP14 中，AlphaFold 預測了另一種冠狀病毒蛋白質 ORF8 的結構。目前，實驗人員已經證實了 ORF3a 和 ORF8 的結構。儘管具有挑戰性，並且相關序列很少，但與實驗確定的結構相比，AlphaFold 在兩種預測上都獲得了較高的準確率。

除了加速對已知疾病的了解，AlphaFold 還具備很多令人興奮的技術潛力：探索數億個目前還沒有模型的數億蛋白質，以及未知生物的廣闊領域。由於 DNA 指定了構成蛋白質結構的氨基酸序列，基因組學革命使大規模閱讀自然界的蛋白質序列成為可能——在通用蛋白質數據庫（UniProt）中有 1.8 億個蛋白質序列。相比之下，考慮到從序列到結構所需的實驗工作，蛋白質數據庫（PDB）中只有大約 170000 個蛋白質結構。在未確定的蛋白質中可能有一些新的和未確定的功能——就像望遠鏡幫助人類更深入的觀察未知宇宙一樣，像 AlphaFold 這樣的技術可以幫助找到未確定的蛋白質結構。

▎開創新的可能

AlphaFold 是 DeepMind 迄今為止取得的最重要進展之一，但隨著後續科學研究的開展，依然有很多問題尚待解決。 DeepMind 預測的結構並非全部都是完美的。還有很多要學習的地方，包括多蛋白如何形成複合體，如何與 DNA、RNA 或者小分子交互，以及如何確定所有氨基酸側鏈的精確位置。此外，在與他方合作的過程中，還需要學習如何以最好的方式將這些科學發現應用在新藥開發以及環境管理方式等諸多方面。

對於所有致力於科學領域中計算和機器學習方法的人而言，像 AlphaFold 這樣的系統彰顯了 AI 作為基礎探索輔助工具的驚人潛力。正如 50 年前 Anfinsen 提出的遠超當時科研能力所及的挑戰一樣，這個世界依然有諸多未知的方面。

DeepMind 取得的這一進展令人們更加堅信，AI 將成為人類擴展科學知識邊界的最有用工具之一，同時也期待未來多年的艱苦工作能夠帶來更偉大的發現。

影片及原文，參考 DeepMind官方部落客 https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology