ML如何推动结构生物学的发展？哈佛科学家用AI在最小尺度上研究人类发育
内容提要
哈佛医学院布拉瓦尼克研究所的细胞生物学助理教授Lucas Farnung的研究聚焦于转录过程，利用显微镜和X射线束观察分子机器，并运用机器学习预测蛋白质相互作用。他认为机器学习加速了生物研究并助力治疗方法的开发。与其他研究人员合作推动生物学进步。
延伸解读
从失败到加速：AI如何改变结构生物学研究节奏
Farnung在访谈中坦言，自己博士前三年几乎未能发现任何蛋白质相互作用，而如今借助机器学习预测，实验室成员可以更有信心地通过实验验证相互作用。他估计当前研究速度比十年前快5到10倍。这一对比说明，AI并非取代实验，而是通过计算预测缩小实验范围，让研究者更快聚焦真正需要验证的问题，从而显著提升基础生物学的研究效率。
无偏见筛选：AI带来的研究范式转变
Farnung指出，机器学习工具使研究者能够以无偏见的方式测试人体中任意蛋白质之间的相互作用。传统方法往往基于假设逐一验证，而AI预测可以覆盖数万种此前从未被实验描述过的相互作用，再通过实验室实验确认。这种从假设驱动到数据驱动的转变，类似于个人电脑对社会的影响，正在重塑结构生物学的问题提出方式和验证路径。
从基础结构到药物设计：AI的下游应用潜力
文章提到，Farnung团队正与HMS治疗计划合作研究一种在前列腺癌中严重突变的染色质重塑蛋白，已获得其结构并进行虚拟筛选，希望设计抑制该蛋白的化合物。此外，他们也在研究与自闭症等神经发育障碍相关的蛋白质。用于预测蛋白质结构和相互作用的机器学习工具，同样可以预测小分子化合物如何与蛋白质结合，为基础研究向治疗开发转化提供了新路径。
技术迭代与风险意识：两次革命之间的审慎
Farnung将低温电子显微镜带来的分辨率革命视为第一次革命，而蛋白质预测的机器学习正在带来第二次革命。他同时强调，必须小心谨慎地管理这些工具。这表明，尽管AI显著加速了研究，但研究者仍需对预测结果进行实验验证，并关注工具使用的边界。这种审慎态度对于确保AI在结构生物学中的可靠应用至关重要。
Q&A
Lucas Farnung的研究主要集中在哪个生物学过程上？
Farnung的研究主要集中在转录过程中，探索受精卵如何发育成完整的人类。
机器学习如何加速蛋白质相互作用的研究？
机器学习通过计算方法预测蛋白质相互作用，提升了研究效率，减少了实验所需的时间和资源。
低温电子显微镜技术对生物学研究有什么影响？
低温电子显微镜技术促进了对动态蛋白质复合物的高分辨率观察，推动了生物学理解和药物开发的进展。
Farnung的研究如何与癌症治疗相关？
Farnung的研究帮助理解分子机器对DNA染色质结构的影响，这与癌症的发生密切相关，可能为癌症药物的开发提供基础。
Farnung如何看待跨学科合作在研究中的重要性？
Farnung认为跨学科合作对于解决复杂的生物学问题至关重要，可以汇聚不同专业知识以推动研究进展。
AlphaFold模型的发布对结构生物学有什么影响？
AlphaFold模型的发布是蛋白质折叠预测的重大突破，极大地加速了对蛋白质相互作用的理解和研究。
