一個月前，DeepMind開發(fā)的AlphaFold 3驚艷了整個生物圈和AI圈。

AlphaFold 3能夠根據(jù)氨基酸序列預(yù)測蛋白質(zhì)的三維結(jié)構(gòu)，解決了生物學中一個長期存在的難題。

這一突破對生物醫(yī)學研究、疾病認識（如在COVID-19大流行期間對蛋白質(zhì)結(jié)構(gòu)的認識）和生物技術(shù)具有深遠影響。

除了技術(shù)上的成就，AlphaFold項目還在解決問題、團隊管理和跨學科合作方面提供了寶貴的經(jīng)驗。

AlphaFold的成功不可被復(fù)制，但是它成功的經(jīng)驗卻可以遷移。

那么，震驚整個科學界的AlphaFold開發(fā)團隊究竟做對了什么？Google DeepMind的研究副總裁Pushmeet Kohli，分享了AlphaFold成功的秘密。

- 組建多元化團隊：吸納具有不同專長的人才，以解決不同方面的問題。

- 促進開放式交流：營造一種環(huán)境，讓團隊成員在需要幫助和分享知識時能暢所欲言。

- 促進持續(xù)學習：鼓勵團隊成員相互學習以及向其他學科學習。

- 注重循序漸進：優(yōu)先考慮持續(xù)、漸進的改進，而不是尋求單一的突破。

- 利用跨學科見解：利用不同領(lǐng)域的知識為項目提供信息并加以改進。

關(guān)于AlphaFold

AlphaFold將蛋白質(zhì)的氨基酸序列作為主要輸入，并輸出該蛋白質(zhì)的預(yù)測三維結(jié)構(gòu)。

輸入：相關(guān)蛋白質(zhì)的氨基酸序列

輸出：預(yù)測蛋白質(zhì)復(fù)合物的三維結(jié)構(gòu)及原子坐標

蛋白質(zhì)是在生物體內(nèi)發(fā)揮各種功能的重要分子。

它們的功能由其三維結(jié)構(gòu)決定，而三維結(jié)構(gòu)則由其組成的氨基酸序列決定。

了解蛋白質(zhì)的結(jié)構(gòu)可能需要花費數(shù)月時間，但一旦完成，就可以深入了解蛋白質(zhì)的工作原理和功能。準確的蛋白質(zhì)結(jié)構(gòu)預(yù)測至關(guān)重要，而且有多方面的下游應(yīng)用。

- 加速藥物發(fā)現(xiàn)：通過了解蛋白質(zhì)結(jié)構(gòu)，研究人員可以設(shè)計出更有效的藥物。

- 增進對疾病的了解：蛋白質(zhì)結(jié)構(gòu)知識可以幫助人們深入了解疾病的機理，包括COVID-19。

- 推進生物技術(shù)：它允許設(shè)計具有特定功能的新型酶和其他蛋白質(zhì)。

在蛋白質(zhì)結(jié)構(gòu)預(yù)測關(guān)鍵評估（Critical Assessment of protein Structure Prediction，CASP）競賽中，以往的獲勝方案穩(wěn)定在40.0左右。AlphaFold打破了這一瓶頸，并大幅超越了之前的分數(shù)。

歷年CASP競賽中表現(xiàn)最佳的模型

AlphaFold2再次刷新了這一新紀錄，給該領(lǐng)域帶來了革命性的沖擊，讓蛋白質(zhì)結(jié)構(gòu)預(yù)測直接進入「后AlphaFold時代」。

確定蛋白質(zhì)結(jié)構(gòu)的傳統(tǒng)方法，如X射線晶體學和冷凍電子顯微鏡，既耗時又昂貴。AlphaFold提供了一種可擴展的高效替代方法，但開發(fā)如此復(fù)雜的模型也面臨著一系列挑戰(zhàn)。

AlphaFold項目團隊是如何做到的呢？

跨學科合作

AlphaFold項目的突出特點之一是不同團隊之間的有效合作。DeepMind 匯集了來自不同領(lǐng)域的專家，包括：

- 生物學家：深入了解蛋白質(zhì)的生物學意義。

- 機器學習專家：開發(fā)復(fù)雜的算法和模型。

- 結(jié)構(gòu)生物學家：確保預(yù)測在物理上合理。

AlphaFold項目匯集了各個團隊來解決復(fù)雜的跨學科問題

主要經(jīng)驗

- 聘請領(lǐng)域?qū)＜遥鹤屜嚓P(guān)領(lǐng)域的專家參與進來，全面了解問題。

- 跨職能團隊：促進不同學科間的合作，從多個角度解決復(fù)雜問題。

漸進式改進

羅馬不是一天建成的。

AlphaFold的成功不是單一突破的結(jié)果，而是一系列漸進式改進的結(jié)果。無論是模型架構(gòu)、訓練數(shù)據(jù)，還是算法調(diào)整，每一個微小的改進都為整體成功做出了貢獻。

沒有任何單一突破能夠帶來AlphaFold最先進的性能，持續(xù)的迭代開發(fā)和漸進式改進提供了性能的巨大綜合提升

主要經(jīng)驗

-迭代開發(fā)和改進：強調(diào)持續(xù)改進和迭代測試，以完善模型。接受你所獲得的勝利，無論大小。這樣做的目的是通過了解失敗案例，并使用更好的數(shù)據(jù)和方法，提高性能，不斷改進。

-消融實驗（Ablation Studies）：進行徹底的消融實驗，以了解每個組件的影響并優(yōu)化性能。這個方法來自神經(jīng)科學，有許多實驗是通過損傷(ablate)一個或多個特定的神經(jīng)元來研究它們的功能。

消融實驗表明，AlphaFold的性能之所以如此出色，并不是依靠單一的靈丹妙藥，而是一系列漸進式改進的組合

從上述消融實驗的總結(jié)中可以看出，并沒有一個明確的主導思想能帶來如此巨大的性能提升。只有通過許多漸進式的改進才能解決這一難題，最終形成最先進的系統(tǒng)。

ML模型的歸納偏差：模型的基礎(chǔ)

歸納偏差（Inductive Bias），是AI領(lǐng)域的一個關(guān)鍵概念，它描述了機器學習算法在學習過程中對特定解決方案的偏好或傾向。歸納偏差有助于算法在面對有限數(shù)據(jù)和不確定性時，做出合理的預(yù)測和泛化。

在某些領(lǐng)域，例如生物學或物理學，有些規(guī)律是我們?nèi)祟愐呀?jīng)知道的，比如牛頓運動定律。

當然，只要有足夠多的相關(guān)數(shù)據(jù)，我們也能讓機器學習模型自己找到這些規(guī)律。

不過，有時在這些模型中預(yù)埋這些信息是非常有必要的，這樣當模型學習時就不需要從這些基礎(chǔ)知識開始，而是可以直接去學習那些難以用正式方程或定律寫下來的細微差別。

DeepMind做得很好的一點是，他們沒有使用通用的現(xiàn)成模型，而是給模型注入了領(lǐng)域內(nèi)的專業(yè)知識，以及對所要解決問題的了解，讓模型更「好」，也更「相關(guān)」，從而贏在了起跑線上。

讓所有團隊達成共識

對于AlphaFold的機器學習工程師來說，了解問題背后的基礎(chǔ)科學至關(guān)重要。

這種深刻的理解使他們能夠?qū)⑻囟I(lǐng)域的知識納入模型設(shè)計，從而實現(xiàn)更準確的預(yù)測。

「對齊顆粒度」，讓整個團隊發(fā)揮更大的影響力

對于一個包含生物學家、計算機科學家和工程師等各領(lǐng)域人才的跨學科團隊來說，讓每個人都參與到項目中來，保持同頻至關(guān)重要。

要讓生物學家理解機器學習，讓計算機科學家理解蛋白質(zhì)，并不是一件簡單的事情。

然而，一旦完成這項艱巨的工作，所有團隊都將達成一致，并對更廣泛的情況有一個總體的了解。

這就像一種「催化劑」，讓團隊中的每個成員都能提供比通常情況下更多的價值，因為他們已經(jīng)將問題內(nèi)化并清楚地理解了它。

主要經(jīng)驗

- 領(lǐng)域知識：投入時間學習問題領(lǐng)域的基礎(chǔ)知識，建立更有效的模型。

- 跨學科培訓：鼓勵跨學科教育，彌合各領(lǐng)域之間的差距，讓領(lǐng)域?qū)＜以诟玫亓私猱斍皢栴}的背景下發(fā)揮最大作用。

AlphaFold的成功證明了跨學科合作、漸進改進和深厚領(lǐng)域知識的力量。

通過培養(yǎng)開放、持續(xù)學習和迭代開發(fā)的文化，團隊甚至可以應(yīng)對最復(fù)雜的挑戰(zhàn)并推動創(chuàng)新。

AlphaFold的開發(fā)經(jīng)驗提供了一幅通往項目成功管理和執(zhí)行的藍圖。