在蛋白质结构预测和功能预测领域，基于机器学习的方法最近取得了显著的进展。特别是深度学习技术在这个领域中展现出了强大的能力，代表性的技术有 DeepMind 的 AlphaFold 和 RoseTTAFold。这些技术利用了大量的生物数据和先进的神经网络架构，极大地推动了蛋白质研究的边界。
1. AlphaFold
DeepMind 的 AlphaFold 是近年来蛋白质结构预测领域的突破性成就。AlphaFold 通过使用深度学习算法预测蛋白质的三维结构，其准确度在2020年CASP14比赛中被证实远超其他方法。AlphaFold 的核心是一个基于深度学习的模型，它能够预测蛋白质的氨基酸残基之间的距离和角度分布。
技术要点
- 结构预测：AlphaFold 使用了一个深度学习网络，该网络预测残基对之间的距离和角度。
- 多序列比对：利用多序列比对输入来增强预测的准确性。
- 注意力机制：使用了注意力模型来处理蛋白质的序列信息，使模型能够集中于序列中最相关的部分。
- 端到端训练：整个模型是端到端训练的，直接预测蛋白质的三维坐标。
开源地址
运行条件
运行 AlphaFold 最简单的方法是使用提供的 Docker 脚本。 我们在 Google Cloud 上测试了该脚本，测试机器有 12 个 vCPU、85 GB RAM、100 GB 启动盘、数据库位于额外 3 TB 磁盘上以及一个 A100 GPU。首次运行时，请按照安装和运行第一个预测nvidia-gpu-cloud-image部分 的说明进行操作 。
2. RoseTTAFold
由华盛顿大学开发的 RoseTTAFold 也是一种基于深度学习的蛋白质结构预测工具，它类似于 AlphaFold，但结构稍有不同，且计算效率更高。RoseTTAFold 通过一个三轨神经网络架构进行蛋白质的结构预测，这种架构可以同时处理一维序列和二维相互作用图。
技术要点
- 三轨网络架构：包括处理一维序列特征、二维配对特征和三维结构特征的网络。
- 快速预测：与 AlphaFold 相比，RoseTTAFold 在保持相近的预测精度的同时，提供了更快的预测速度。
- 广泛的应用：除了蛋白质结构预测，还可以用于预测蛋白质与RNA等其他生物分子的相互作用。
开源地址
3. ESMFold
ESMFold 是一个新兴的蛋白质结构预测工具，由 Meta AI（以前是 Facebook AI）开发。它采用了类似于 AlphaFold2 的深度学习方法，但显著地提高了预测的速度和效率，同时在准确性上与 AlphaFold2 相当。ESMFold 的核心是使用进化缩放模型（Evolutionary Scale Modeling，ESM）进行蛋白质结构预测。
核心技术
ESMFold 的关键技术基础是 Meta AI 之前开发的 ESM 系列语言模型，这些模型专门用于解析和理解蛋白质序列。ESMFold 利用了这些语言模型的功能来预测蛋白质的空间结构，这种方法展现了在蛋白质结构预测任务上的强大能力。
结构预测的准确性与语言模型的复杂度息息相关，也就是说，当语言模型能更好地理解序列时，便可以更好地理解结构