馬里蘭大學的研究人員使用人工智能系統(tǒng)根據(jù)生物分子（溶菌酶分子）的不斷運動來創(chuàng)建抽象語言。這種語言描述了蛋白質分子的多種形狀，以及如何以及何時從一種形狀轉變?yōu)榱硪环N形狀，這是了解疾病和開發(fā)治療方法的關鍵信息。

蛋白質分子的功能通常取決于其形狀和結構，因此了解控制形狀和結構的科學可以打開一扇門，以了解從蛋白質的工作原理到疾病原因以及設計靶向藥物療法的最佳方法的所有方面。這是機器學習算法首次以這種方式應用于生物分子動力學，該方法的成功提供了見識，也可以幫助推進人工智能（AI）。關于這項工作的研究論文于2020年10月9日發(fā)表在《自然通訊》雜志上。

該論文的資深作者，馬里蘭大學化學與生物化學系副教授Pratyush Tiwary表示：“在這里，我們展示了當編寫電子郵件時，用于完成句子的人工智能架構可以用來揭示生命分子所講的語言。我們證明了這些分子的運動可以被映射成一種抽象的語言，并且人工智能技術可以用來從所產生的抽象詞中產生生物學上真實的故事?！?/p>

生物分子不斷運動，在周圍環(huán)境中變化。它們的形狀取決于如何折疊和扭曲。它們可能會以給定的形狀保持幾秒鐘或幾天的時間，然后突然彈開并重新折疊成其他形狀或結構。從一種形狀到另一種形狀的過渡非常類似于逐步展開的纏結線圈的拉伸。當線圈的不同部分釋放和展開時，分子呈現(xiàn)不同的中間構象。

但是從一種形式到另一種形式的轉變發(fā)生在皮秒（萬億分之一秒）或更短的時間內，這使得諸如高功率顯微鏡和光譜學之類的實驗方法難以準確地捕獲展開的過程，哪些參數(shù)影響展開以及什么不同的形狀是可能的。這些問題的答案構成了Tiwary的新方法可以揭示的生物學故事。

Tiwary和他的團隊利用牛頓的運動定律（可以預測分子內原子的運動）與強大的超級計算機（包括馬里蘭大學的Deepthought2）來開發(fā)統(tǒng)計物理模型，以模擬單個分子的形狀、運動和軌跡。

然后，他們將這些模型輸入到機器學習算法中，就像Gmail會在鍵入內容時自動完成句子一樣。該算法將模擬作為一種語言進行處理，在這種語言中，每個分子運動都形成一個字母，該字母可以與其他運動串在一起形成單詞和句子。通過學習確定哪些形狀和運動相互遵循而哪些不遵循的語法和語法規(guī)則，該算法可以預測蛋白質在改變形狀時的糾纏方式以及沿途采取的多種形式。

為了證明他們的方法有效，研究小組將其應用于一種名為核糖開關的小生物分子，該分子先前已使用光譜法進行了分析。結果揭示了核糖開關在拉伸過程中可能采取的各種形式，與光譜學研究的結果相吻合。

Tiwary說：“我希望，這種藥物最重要的用途之一就是開發(fā)針對性強的藥物。希望有強大的藥物結合力，但只結合希望結合的東西。如果我們能夠了解給定目標生物分子可以采取的不同形式，那么我們可以實現(xiàn)這一目標，因為我們可以制造藥物只能在適當?shù)臅r間綁定到這些特定形式中的一種，并且只要我們愿意就可以綁定?！?/p>

這項研究中同樣重要的部分是有關Tiwary及其團隊使用的語言處理系統(tǒng)的知識，通常被稱為遞歸神經(jīng)網(wǎng)絡，在此特定情況下為長短期記憶網(wǎng)絡。研究人員分析了網(wǎng)絡的基本數(shù)學原理，因為該網(wǎng)絡學習了分子運動的語言。他們發(fā)現(xiàn)網(wǎng)絡使用的邏輯類似于統(tǒng)計物理學中的一個重要概念，稱為路徑熵。了解這一點為將來改善遞歸神經(jīng)網(wǎng)絡提供了機會。

Tiwary說：“很自然地要問是否存在使人工智能工具成功的主要物理原理。實際上，我們發(fā)現(xiàn)這是因為人工智能正在學習路徑熵。它提供了更多功能，我們可以進行調整，以更好地實現(xiàn)生物學上的人工智能，甚至可以改善人工智能本身。只要了解諸如人工智能之類的復雜系統(tǒng)，它就不再像黑盒一樣，并提供了更有效、更可靠地使用它的新工具?！?br /> 責編AJX