「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

【宇宙年曆 將宇宙的歷史壓縮成一年】
由宇宙大爆炸發生到現在已經過了138億年。如果將宇宙的歷史壓縮成一年，我們會身處在這條時間線的哪一點呢？快點向右滑動圖片看看囉！
.
下面附上各種事件的真實發生時間(大約時間)：
138億年前 - 宇宙大爆炸
107億年前 - 最古老的星系和恆星陸續形成
90億年前 - 銀河系旋臂形成
45.7億年前 - 太陽系形成
38億年前 - 地球上最古老的生命出現
30億年前 - 光合作用的起源
5億年前 - 魚類開始興盛
3.6億年前 - 兩棲類開始出現
3億年前 - 爬蟲類開始出現
2.3億年前 - 恐龍開結出現
6,500萬年前 - 恐龍滅絕
1,230萬年前 - 人類祖先出現
250萬年前 - 人類開始製造大量石器
40萬年前 - 人類開始用火
12,000年前 - 進入農業社會
公元前202年至公元後220年 - 漢朝
公元後618年至公元後907年 - 唐朝
公元前27年至公元後395年 - 羅馬帝國前/中期
公元後1405年至1433年 - 鄭和下西洋
公元後1492年 - 哥倫布抵達北美洲
公元後1760年至1840年 - 工業革命
.
順帶一提，在這條時間線上，1秒等於現實中的438年；1分鐘等於26,280年；1小時等於158萬年；1日等於3,780萬年。在這個宇宙年曆裡，一個人活到80歲，宇宙才過了0.18秒。
.
如果大家喜歡這個系列，歡迎Like， Comment和Share！如果反應熱烈的話，我們會推出宇宙年歷的未來版(第2年)啊！大家快點分享給朋友看吧～
.
Photo credit: Free Vector, Freepik, Vecteezy, Vectorstock
Reference: 李逆熵<<論盡宇宙>>
#一啖天文 #a_bite_of_astronomy #一啖天文_隨機 #天文 #astronomy #astro #宇宙年歷 #CosmicCalendar #宇宙大爆炸 #BigBang #銀河系 #MilkyWay #太陽系 #SolarSystem #光合作用 #Photosynthesis #恐龍 #Dinosaur #工業革命 #IndustrialRevolution #看Hastag學英文 #hk #hkig

【SHINee 出道12周年抽獎活動1️⃣】

㊗️SHINee出道12周年㊗️

我們這次準備了2個抽獎活動🎉🎉🎉
歡迎大家踴躍參加喔🤘🤘🤘🤘🤘

活動1️⃣抽獎獎品是2020 SHINee官方年曆一組⭐(不含特典)
會抽出1名幸運的粉絲，獎品一人獨得💪
(本活動不需要支付任何運費)

-------------------工商分隔線-------------------

#目前代購中的項目

目前開團中的品項:
★SM官方周邊 SUHO/潤娥生日項鍊★代購
SUHO款填單匯款截止日 : 2020/05/21 21:00止
潤娥款填單匯款截止日 : 2020/05/29 21:00止
填單請戳 https://reurl.cc/d0qVvD

★SHINee 印尼飯製WOOF WOOF玩偶團★代購
截止日 : 2020/05/27 21:00止
填單請戳 https://reurl.cc/1x1KMX

★SHINee 珉豪泰民韓站 DREAMINGxREALSTORY PROJECT #2★代購
截止日 : 2020/05/29 21:00止
填單請戳 https://reurl.cc/20QRd9

★SHINee 飯製Replay玩偶團★代購
截止日 : 2020/05/30 21:00止
填單請戳 https://reurl.cc/5l4Lzn

★SHINee 菲律賓飯製咖啡店員玩偶團★代購
截止日 : 2020/05/30 21:00止
填單請戳 https://reurl.cc/d0yXZz

★SHINee 菲律賓飯製SHINee World徽章組★代購
截止日 : 2020/05/30 21:00止
填單請戳 https://reurl.cc/X6R4nE

★SHINee 新加坡飯製出道日壓克力鑰匙圈★代購
截止日 : 2020/05/30 21:00止
填單請戳 https://reurl.cc/yZKVx2

●我們的蝦皮賣場 https://shopee.tw/stargoodskr123
歡迎大家來挖寶!!
蝦皮的物品不可以跟專頁合併寄送喔

----------以下是抽獎活動規則---------------

#活動辦法如下

1.粉絲專頁按讚
2.分享本篇貼文
(請務必要到小地球的地方將文章設定為公開喔)
(未滿18歲的粉絲請截圖並留言)
3.回到本篇底下@2位朋友留言"SHINee出道12週年快樂!"

#抽獎活動截止時間:5/31 23:59止
- 6/1晚上11點以前會按照留言順序回覆抽獎序號
- 將於6/2 20:00公布幸運得獎粉絲

Instagram: https://www.instagram.com/dw_kid12/

Facebook: https://www.facebook.com/deepwebkid/?modal=admin_todo_tour

訂閱: https://www.youtube.com/channel/UC8vabPSRIBpwSJEMAPCnzVQ?sub_confirmation=1

鬼故事: https://www.youtube.com/watch?v=H4rmkFI1ik0&list=PLglqLngY6gv5BCwaoP-q6DOwUmw1lIusF

我最高觀看次數的影片 (我為何不再拍暗網? 只說一次): https://www.youtube.com/watch?v=jbihKaqEEQw&t=127s

曼德拉效應: https://www.youtube.com/watch?v=OMutzRIE_uE&list=PLglqLngY6gv5BCwaoP-q6DOwUmw1lIusF&index=17&t=5s

我的100K成長故事: https://www.youtube.com/watch?v=Kdhtp6A6YJE

破解Kate yup事件是假的! 不是綁架! 不要被騙! (Facebook上的證據): https://www.youtube.com/watch?v=2NJVt56ORWo&t=2s

日本最殘酷的直播節目: https://www.youtube.com/watch?v=7E81OKVX7wc

網上最可怕的一個字 (Ft. HenHen TV): https://www.youtube.com/watch?v=tLedkSHc7Os&t=145s

明天6月21號才是世界末日?| 2020 瑪雅曆法預言&恐懼傳染的生理學

古代文明裡面人祭儀式: 即是把人殺死然後來祭祉神靈是合法文化傳統.大多數用來進行人祭的會是戰俘或小朋友.
前哥倫布時期文明‘瑪雅人’ 相信小孩的血是送給神最寶貴的禮物.
雖然這種行為在我們現代人眼中是殘暴, 但相比同期的 ‘阿茲台克人’ 瑪雅相對心靈上發達, 更對人的意識有一定的理解. 預算到4000年後的2012年12月21號會是世界一個終結. 但近期甚至Forbes也指出, 當時2012年的計法是計錯的. 真正世界末日應該是2020年6月21日這一段時間.

大家好又是我暗網仔,今天是不是就是大家需跟家人朋友道別的一天呢?

你心目中的世界末日會是怎樣: 洪水, 冰河, 還是核戰? 古文明眼中的末日應該很不同.

對比今天用的格里曆, 瑪雅計算日期用這個長-中美洲舊曆, 寫法上長很多.
1969年7月20號(July 20 1969) 如果在瑪雅古代會寫成: 12.17.15.17.0
左邊的12代表跟日曆開始啟用的年份3114 BC. 隔了12個baktun, 即是瑪雅語言的12個週期. 而每一個週期總共長達144,000日.
舊曆完結的: 13.0.0.0.0就是大家當時所認為的2012年12月21日.

最近就有位年輕科學家Paolo Tagaloguin在social media發了一個post解釋當時大家用現今的格里曆去計算“2012年” 是錯的. 因為那個是我們現代人的2012年.
如果我們跟據由Julius Caesar創立的儒略曆去計, 是相差了8年那麼多. 所以用舊歷去看的話今年我們的2020年6月21號才是瑪雅所預言的 “2012年” 13.0.0.0.0終結之年.

維基百科- “a number of human sacrifice methods were employed: most common decapitation and heart extraction. Additional included shooting the victim with arrows, hurling sacrifices into a deep sinkhole, entombing alive, tying the sacrifice into a ball and then used for a ballgame, and disembowlment.

其實瑪雅人從來都沒有描述過日曆的終結會是怎麼樣子. 沒有傳遞過什麼太陽爆炸?彗星撞地球? 我們是如何聯想到 “世界末日” ? 事實上瑪雅從來沒有說明.
“2012世界末日’ 可以說是1995年現代人互聯網的發明. 更是人類心理恐懼的一種傳染.
1995年這位Nancy Lieder 自稱被來自Zeta Reticuli星系的外星人抓走過, 就開始在網上宣揚我們太陽系的角落位有一個比地球大5倍的Nibiru或 ‘X星球’ 將於2003年近地球導致地球極移而會引致大量死傷.

2003年當然沒有發生到, Nibiru就被安排到跟2012年瑪雅日曆連埋一起, 等如就是2012世界末日. “Doomsday’ 名義下出了多部電視, 電影能賺錢的作品.
“If the maya could predict the end of the world 1000 years in advance, why couldn’t they see the pending collapse of their own civilization?”
其實瑪雅長-中美洲舊曆13.0.0.0.0的結束後只是瑪雅人ching為 ‘捷豹時代’ 或 ‘the fourth sun’ 的一個結束. 一個新歷亦會重新開始.
在當時瑪雅長老的miu suet中, 世界會進行一個思想和心靈上的進化, 我們網上可以找到mayanism的資料跟new age(人類靈和意識進化) 這個思維極為相似.

其實幾天前年輕科學家Paolo Tagaloguin已經刪除之前Social media那個post説自己計儒略曆和我們格里曆的差別不是8年那麼多, 而只是差11天. 總結就是2012尾瑪雅的13.0.0.0.0日曆結束已經發生了.
但網上各大討論繼續針對世界末日. 某程度可以說因為 “末日” 跟今年的氣氛很合適.
通常到這個位我也會blame互聯網或討論區或social media造成這個現象. 但其實傳染恐懼的生理學是人身體上yu sun keuy louy的東西.

你知道動物世界入面當蜜蜂或螞蟻受到一些攻擊時他們身體會發出一些信息素警告身邊的同類有危險. 之後 (scientist did an experiment with humans where they took 2 people’s sweat. One was someone running on a treadmill, the other was someone’s sweat from the 1st time they went skydiving. Then had someone sniff both the sweat. The treadmill one: nothing. But smelling the skydiving the fear and anxiety, it triggered that persons 的杏仁果. 這樣東西是直接影響人的EQ的.

Why does that affect us so much? Because inherently humans want to follow and belong to the groups So no matter what, end of the world or even human sacrifice, the masses feelings even in terms of 生理influences everyone in that area.

明天就是世界未日? | 暗網仔

明天2020年6月21就是世界未日?

明天6月21是世界未日

[新預言] 明天就是世界未日 | 暗網仔

24小時後是世界未日 | 瑪雅預言