(資料圖片僅供參考)

科技日報記者 張夢然

科學家已成功將強化學習應用于分子生物學的挑戰：美國華盛頓大學研究人員開發出一款功能強大的新型蛋白質設計軟件，該軟件改編自一種被證明擅長棋盤游戲（如國際象棋和圍棋）的策略。實驗發現，用新方法制造的蛋白質能更有效地在小鼠體內產生有用抗體。發表在最新一期《科學》雜志上的研究結果，可能會很快帶來更有效的疫苗。

使用強化學習軟件程序設計的蛋白質結構示例。圖片來源：IAN HAYDON/華盛頓大學蛋白質設計醫學研究所

強化學習是一種機器學習，其中計算機程序通過嘗試不同的動作和接收反饋來學習作出決策。例如，這樣的算法可通過導致勝敗的數百萬種不同動作來學習下國際象棋。

為了開發用于蛋白質設計的強化學習程序，研究人員為計算機提供了數百萬個簡單的起始分子。然后，該軟件進行了一萬次嘗試，隨機改進每一個以達到預定義的目標。計算機將蛋白質加長或以特定方式彎曲它們，直到學會如何將它們扭曲成所需的形狀。

作為這項研究的一部分，研究人員在實驗室制造了數百種人工智能設計的蛋白質。使用電子顯微鏡和其他儀器，他們證實計算機創建的許多蛋白質形狀確實在實驗室中實現了。研究證明，這種方法不僅準確，而且可定制，制作出無孔、小孔或大孔的球形結構。

該團隊專注于設計由許多蛋白質分子組成的新型納米級結構。這需要設計蛋白質成分本身和允許納米結構自組裝的化學界面。為了衡量設計軟件的準確性，研究人員觀察了許多獨特的納米結構，其中每個原子都位于預期的位置。換句話說，預期和實際納米結構之間的偏差平均小于單個原子的寬度。

在未來，這種方法能夠創造出使用以前的方法無法制造的治療性蛋白質、疫苗和其他分子。研究人員使用血管細胞的原代細胞模型表明，設計的蛋白質支架優于該技術的先前版本。由于幫助細胞接收和解釋信號的受體更密集地聚集在更緊湊的支架上，它們在促進血管穩定性方面更有效。

總編輯圈點：

這是一項AI推進蛋白質科學進展的里程碑式研究。其潛在的應用從開發更有效的癌癥治療藥物，到創造新的可生物降解的紡織品，可以說價值巨大。而更深層次的意義，在于它證明了強化學習可做的不僅僅是掌握棋盤游戲，在解決科學中長期存在的難題時，強化學習同樣表現出色。如果將這種方法應用于解決問題，它還能加速多項科學領域的進步。

標簽：