无偏人工智能以不可思议的准确性预测RNA结构

原子旋转等变记分器(ARES)能够识别准确的结构模型，而不需要假设它们的定义特征。例如，ARES预测了具有挑战性的RNA结构，尽管它只接受了18种已知RNA结构的训练。由于ARES仅使用原子坐标作为输入，因此它在数据匮乏的领域尤其有价值——不仅在结构生物学领域，在化学和材料科学等领域也是如此。

　　

有时，一些细微的线索就足以构成一幅完整的立体图画。唉，这样的时刻是很罕见的——事实上是非常罕见的，如果一个夏洛克·福尔摩斯出现了，并且成功地做到了几次，他们就会赢得无穷无尽的赞誉。但如果这一伎俩能在常规基础上成功呢?如果这个技巧不局限于孤立的、狭窄的“案例”，而是适用于广泛的案例呢?结构生物学家对这些问题很感兴趣，当他们试图猜测蛋白质和RNA分子如何折叠成三维(3D)结构时，通常不得不利用很少的数据。

一年前，斯坦福大学(Stanford University)的结构生物学家发表了一篇文章，可能被称为《蛋白质结构案例》(The Case of The Protein Structures)。(这篇文章的标题实际上是“分层旋转等变神经网络选择蛋白质复合物的结构模型”，发表在《蛋白质》杂志上。)最近，在8月27日，他们发表了一篇文章，可以称为《RNA结构案例》。(这篇文章的标题实际上是《RNA结构的几何深度学习》，发表在《科学》杂志上。)

第一项研究由计算机科学副教授Ron O. Dror博士领导，第二项研究由Dror和生物化学副教授Rhiju Das博士共同领导。协助这两项研究的是斯坦福大学的博士生斯蒂芬·艾斯曼和拉斐尔·汤森，他们的成绩想必比沃森的成绩还要好。这两项研究都表明，3D结构可以由终极夏洛克——人工智能(AI)预测。

最值得注意的是，研究人员已经证明，他们的人工智能方法成功了，即使它必须从少数已知结构中学习。研究人员希望他们的方法能帮助科学家解释不同分子是如何工作的，应用范围从基础生物学研究到药物设计实践。

“蛋白质是执行各种功能的分子机器，”Eismann说。“为了执行它们的功能，蛋白质通常会与其他蛋白质结合。如果你知道一种疾病涉及一对蛋白质，你知道它们在3D中如何相互作用，你可以尝试用药物非常具体地针对这种相互作用。”

研究人员没有详细说明是什么使结构预测更加准确，而是让算法自己发现这些分子特征。他们这样做是因为他们发现提供这种知识的传统技术会使算法倾向于某些特征，从而阻止它找到其他有信息的特征。

“算法中这些手工制作的特征的问题在于，算法会偏向于选择这些特征的人认为重要的东西，”Eismann指出。“你可能会错过一些需要改进的信息。”

Townshend补充说:“这个网络学会了寻找对分子结构形成至关重要的基本概念，但没有明确地被告知。”“令人兴奋的是，算法显然恢复了我们知道的重要的东西，但它也恢复了我们以前不知道的特征。”

在蛋白质研究取得成功后，研究人员将注意力转向RNA分子。研究人员在一系列“RNA谜题”中测试了他们的算法，这些谜题来自该领域的长期竞争，在每个案例中，该工具都比所有其他谜题参与者表现出色，而且没有专门为RNA结构设计。

《科学》杂志文章的作者写道:“我们引入了一种机器学习方法，尽管只接受了18种已知RNA结构的训练，但它能够识别准确的结构模型，而不需要假设它们的定义特征。”“由此产生的打分功能，即原子旋转等变评分器(ARES)，大大优于以往的方法，并始终在社区范围内的盲RNA结构预测挑战中产生最好的结果。”

研究人员声称，他们的方法克服了标准深度神经网络的一个主要限制，因为它甚至可以从少量数据中有效学习。“[我们的方法]只使用原子坐标作为输入，不包含rna特定的信息，”研究人员阐述道。“[它]适用于结构生物学、化学、材料科学等领域的各种问题。”

Dror指出:“机器学习领域的大多数重大进展都需要大量的数据进行训练。”“这种方法在很少的训练数据的情况下就能成功，这一事实表明，在许多数据匮乏的领域，相关方法可以解决未解决的问题。”

”阿瑞斯的能力胜过前一状态的艺术尽管只使用少量的培训结构表明,类似的神经网络可能导致实质性的进步在其他领域涉及三维分子结构,数据往往是有限的和昂贵的收集,“科学文章的作者总结道。“除了结构预测，例子可能包括分子设计(大分子如蛋白质或核酸和小分子药物)，估计纳米粒子半导体的电磁性能，以及预测合金和其他材料的力学性能。”

北卡罗来纳大学教堂山分校(University of North Carolina, Chapel Hill)化学教授凯文·威克斯(Kevin Weeks)博士对ARES进行了评估。在《科学》杂志的一篇透视文章(“穿透RNA结构组的迷雾”)中，威克斯写道，“ARES仍然缺乏与原子分辨率一致的水平，或不足以指导关键功能位点的识别或药物发现工作，但Townshend等人已经在一个被证明抗拒变革性进步的领域取得了显著进展。”