BERT一个蛋白质-季军-英特尔创新大师杯冷冻电镜蛋白质结构建模大赛-paipai

解决方案

团队介绍

paipai队、取自 PAIN + AI，核心成员如我本人IvanaXu(IvanaXu · GitHub)，从事于金融科技业，面向银行信用贷款的风控、运营场景。但我们团队先后打过很多比赛，其中跨领域居多，如天文、海洋，也非常有幸参加本次蛋白质结构建模大赛。我们将延续"他山之石，可以攻玉"的基本思想，这也将在后续方案中体现。

主要方案

01 赛题解析

金融场景下其实就是在追求精准定位问题，并以最小成本换取更大收益。同样的，从现有解析蛋白质结构的主流方法来看，能覆盖较多场景（如生物大分子、静动两态、蛋白质折叠等）且精度较高，但为此需要付出大量人力成本，甚至是在专业软件辅助下才能完成的人工操作。另外，由DeepMind研发的AlphaFold2却能高效几乎0人工输出蛋白质结构，当然这个代价是覆盖场景有限（如生物大分子易错）、局部精度高（需要强依赖于已知蛋白质结构/PDB）。据此我们提出的解决方案是，拥抱类似于AlphaFold2的AI预测技术但充分结合传统方法，或许是最大收益方案。

即复杂生物应用场景下，求一种高效、准确的蛋白质结构解析方法。

所以我们将解决方案聚焦到以下两点：

（1）仅从氨基酸序列 出发的AI预测技术为主，通过已知蛋白质结构去做一些自衍生处理，尝试去摆脱对已知蛋白质结构高度依赖；

（2）当遇到已知蛋白质结构甚至是自衍生蛋白质结构都不能很好识别时，再来考虑结合冷冻电镜数据，作为预测结果的辅助性修正，毕竟获取冷冻电镜数据就已经投入了一定的成本；

02 算法设计

如示例2145这个氨基酸序列，我们看到前4位的MSSK、就是一个甲硫氨酸+两个丝氨酸+一个赖氨酸的序列，但我们将它转为以下文本处理：

第一步，将氨基酸序列-蛋白质结构作为一组X-Y对，即使用氨基酸序列预测蛋白质结构，并计划进行自衍生处理1：将衍生后的氨基酸序列-蛋白质结构对进行随机混淆打乱，这一步复赛阶段未实现，但后续我们做了一些尝试；

第二步，将氨基酸序列转化为文本序列，在这里会做自衍生处理2：将它切分为不同长度的文本序列，如左侧V2算法的第一步，将MSSKS每隔4个氨基酸就切分为MSSK、SSKS等等，同样的还会按照5、6不等的长度进行切分，最终使用4、5、6、8、10、12、15、18，分别代表了4、5、6长度段的1倍、2倍、3倍。从生物意义上就代表了一些短氨基酸序列。这种切分方法的优点是可以是因为把其充分序列化，那么蛋白质中的对称重复架构 会在序列中特别突出，有点像121213这组数字，我们听一遍后，在脑海中对12、121、21这样的组合印象就很深刻；

第三步，文本处理：尝试提取序列之间的潜在关系，事实上可考虑引入谷歌提出的基于Transformers的双向编码语言模型BERT来解决，但BERT很重，考虑上述成本效益，在此简化应用TF-IDF来处理；

第四步，将处理后序列信息输入至预测模型，输出最接近蛋白质结构；

为进一步比较自衍生处理1、自衍生处理2、以及不同文本处理算法之间的差异，我们先后设计了V1、V2、V3三个算法版本：

V1，无自衍生处理1、无自衍生处理2，即MSSK序列会当作M、S、S、K四个单词组成的一句话，直接使用BM25文本模型进行预测；
V2，在V1基础上增加自衍生处理2，即MSSK序列会切分为如图MSSK、SSKS、等等单词组成的一句更长的话；

可以通过比较V1、V2来体现自衍生处理2带来的预测增益。

V3，会更充分考虑实际蛋白质结构预测中会遇到的问题，并根据本次比赛提供的E-HPC阿里云弹性高性能计算平台改进算法底层一些计算设计，如图：

（1）在高性能计算平台上应用CPU多核并发，能同时计算多个蛋白质，并将氨基酸序列计算转入稀疏矩阵存储 + TF-IDF限制某些高频率出现的简单序列，减少大量空值存储和无效计算，充分压缩氨基酸序列结果，避免内存错误；

（2）在V2的基础上调整BM25文本模型至TF-IDF+LR；

这就是复赛阶段的解决方案。

（3）另外，复赛后我们还在此基础上设计如左虚框部分的自衍生处理1，对算法拓展性做了一部分探索。

引入BERT中MLM/Masked Language Model即遮蔽语言模型的概念，其灵感来自于我们学英语很熟悉的完形填空，如我们通过线上会议XX了答辩，就会填写"参加"这个词。

这种概念其实类似于自衍生处理2，本质上是为了充分提取氨基酸序列的潜在关系，如前面提出的不同长度切分就为了获取一定的上下文信息，即氨基酸序列中S丝氨酸前后的氨基酸信息，但这种方式也仍然是单向或一个正向+一个反向这种假双向。反之MLM能更充分的解决这个问题，因为这个时候模型学到不是一个向量，而是**"一种学习能力"**。

TODO

所以在AAAI2020的工作中，已经有论文提出K-BERT即知识图谱+BERT的概念，使用类似MLM的方式尝试进行知识发现。

同样的，可以使用这个概念来"知识发现"一些未知的蛋白质结构，进而打破上述对已知蛋白质结构的高度依赖。

以下我们来对照AlphaFold2，对比一下上述算法：

以2148为例，我们也尝试使用了AlphaFold2：

通过前两栏的RMSD、TM-score来看：

无疑是AlphaFold2最强，但对比V2、V1可以看到，在做了自衍生处理2即序列切分后，TM-score自0.19提升到了0.77，V2算法也就是初赛核心方案。另外，改进后的V3算法从个例来看相对接近于AlphaFold2。

另外，由于我们在调研阶段从PDB中发现了远比训练数据更大的蛋白质，所以这里的long评估项即长氨基酸序列的兼容，AlphaFold2/V1/V2都不同程度地出现在长氨基酸序列计算时内存错误的情况。前面介绍过，V3在做了一些相关设计所以相对可控。且能在不需要GPU的情况下进一步兼容HPC高性能计算，尽管AlphaFold2也提出支持HPC，对此我们未深入体验。

接下来我们看一下可视化结果对比：

AlphaFold2已经接近严丝合缝，V1差异还比较大，但V2、V3已经有了相似的蛋白质结构雏形，未来可能可以进一步优化。

03 总结

1、直接转换为文本问题进行解决

事实上我们也发现其实这与Alphafold2的序列处理有类似的地方，但不同AI场景下2D 和3D transformers的发展，可能还可以进一步借鉴。但氨基酸序列的潜在关系我们还是交由更为简单的文本处理算法（TF-IDF）进行提取，这里考虑降低模型复杂性、提高应用效率。
如我们还没有提到的冷冻电镜图片处理，CVPR2022的工作中已经提出了Point-BERT基于掩码建模的3D点云自注意力模型，实现将类似于冷冻电镜数据这种3D结构表达为一个"词汇"集合。跟我们上述将氨基酸序列转化为文本处理的逻辑类似，我们的解决方案也提出了类似的思想，先用氨基酸序列进行文本预测，再对预测不佳的部分根据冷冻电镜数据也进行文本预测，作为辅助性修正，但这部分还没有来得及完成。

2、避免高度依赖已知蛋白质结构

为此前面我们设计了自衍生处理1、自衍生处理2，并通过V1/V2比较证明了自衍生处理2的有效性。也正是引入自衍生处理1，通过V2/V3比较看到了突破这种蛋白质结构依赖带来的额外效益。