2個月挑戰(zhàn)完善AlphaFold2短板！這個AI夏令營畢業(yè)生讓李開復贊不絕口

衡宇 2022-09-06 17:47:01 來源：量子位

衡宇 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

AlphaFold 2，預測蛋白質結構的扛把子，預測了幾乎所有已知蛋白質，涵蓋100萬物種2.14億結構。

但實驗測得的結構不足20萬，預測的結構是否完全正確，無人知曉。

3位博士生加1位本科生，用了多久的時間證實AlphaFold 2預測的結構并不都完美這一棘手難題？

答案是2個月。

利用“AI大模型+質譜（MS）”，4名同學首次提出并訓練了譜圖的AI語言大模型，并實現交聯譜圖分類模型，構建實驗支撐的組學規(guī)模的空間距離信息數據庫，驗證預測的結構，指導結構建模。

問英雄出處？——DeeCamp 2022，聚焦“AI+生命科學”的AI訓練營。

2個月里，訓練營里搞事情的不只上述一支隊伍。

比如研究研究蛋白質相分離能力預測工具，蛋白結構預測酶活性、提出能取得更先進效果的AI蛋白質設計新方法……不僅玩法頗多，應用場景和商業(yè)價值也安排得妥妥的。

回顧過去幾屆DeeCamp，已有諸多圍繞“AI＋遺傳中心法則”的項目被孵化，比如AI+基因編輯、AI+蛋白、AI+RNA等。

對獎項點評時，大賽評委、清華大學智能產業(yè)研究院院長張亞勤發(fā)言：

生命科學領域步入數字化3.0時代，DeeCamp2022聚焦AI+生命科學，不僅代表了當下整個科學界的研究趨勢，也代表了中國的科技和產業(yè)發(fā)展趨勢。

今年，DeeCamp為AI for Science注入了哪些新生代力量？

有望完善AlphaFold 2短板

冠軍團隊ProteinMiner的項目是大規(guī)模蛋白質組學信息發(fā)現。

具體來說，就是利用AI+質譜技術，首次提出并訓練了譜圖的AI語言大模型，一方面，讓質譜從頭測序的精度大幅提升；另一方面，實現了交聯譜圖分類模型，有望使得交聯譜圖鑒定加速10倍。

為什么選擇它作為賽題？

對疾病研究、藥物研發(fā)來說，蛋白質的序列和結構信息尤為重要。

首先提到的質譜測序技術，在蛋白質測序領域地位顯著。

它有兩種方法，一是依賴數據庫“搜庫”，二是沒有數據庫從頭測序。因一些未知的蛋白，根本沒有對應序列數據庫，深度學習技術在從頭測序領域有非常大的用武之地。這也是ProteinMiner的著力點之一。

行業(yè)對測序精度的追求永無止境。

尤其面對大規(guī)模的未知序列蛋白，現有的質譜從頭測序技術，仍面臨精度低的問題。

為了提升大規(guī)模發(fā)現未知蛋白序列與結構信息的能力，ProteinMiner項目的立足點，就是AI與大數據驅動的蛋白質質譜測序技術。

基于此，ProteinMiner首次提出預訓練的AI譜圖語言大模型。

團隊解釋道，譜圖是肽序列生成的，從譜圖解析肽，如同把一種語言翻譯成另一種語言，即將譜圖翻譯成肽序列。

大模型加持，能夠提升質譜從頭測序的精度，加速免疫相關的新抗原/抗體的發(fā)現，以推動個性化免疫治療的進程。

另一方面，蛋白質結構在藥物設計等過程中也有重要作用。

計算生物界的大明星AlphaFold 2雖已開源，但它一來無法準確預測蛋白復合物，二來柔性區(qū)域性能差，再者，最終得到的結果僅是“預測”的結構。

針對最后這一點，交聯質譜技術可以通過高通量的實驗方法，獲取氨基酸之間的空間距離約束，有望為AlphaFold 2提供先驗的距離約束，進而改進預測的結構，有助完善其不足之處。

然而放眼行業(yè)現狀，交聯質譜鑒定是N2的搜索空間，大庫下鑒定速度慢，Xi軟件直接搜human數據庫一套數據的鑒定可能需要數月的時間。

為此，ProteinMiner考慮到交聯譜圖占比低，提出譜圖的預分類策略，訓練交聯譜圖的分類深度模型，實現快速的交聯質譜數據鑒定，構建實驗數據支撐的組學規(guī)模的蛋白質空間距離信息數據庫。

綜上所述，團隊極大地改善了利用質譜技術大規(guī)模蛋白質組學信息發(fā)現的兩個痛點：質譜從頭測序精度低，交聯譜圖鑒定速度慢。

經過專家評委打分、討論，最終，ProteinMiner獲得DeeCamp 2022總冠軍。

在ProteinMiner組員看來，訓練營提供了一個平臺，還提供了項目大模型訓練所需的高性能資源，助力團隊的想法實踐和學術突破。

總冠軍隊：兩名成員二次參賽，團隊有本科生

ProteinMiner成員4人，分別是中科院計算所計算蛋白質組學/信息檢索方向的博士生毛鵬志，成員包括香港中文大學（深圳）計算機視覺碩博生葉崇杰、中科院計算所生物信息學博士生齊曉寧、香港中文大學（深圳）數據科學與大數據技術專業(yè)本科生薛浩楠。

細細說來，團隊組成非常有趣：

隊長毛鵬志及隊員葉崇杰，今年已是兩次參加DeeCamp。

2019年DeeCamp訓練營就在國科大校園里，那時疫情前還可以線下，毛鵬志從周圍參加的同學嘴里初次了解到這個比賽，用他的話來說，“（DeeCamp在周圍參與了的朋友間）口碑非常不錯，含金量被大家認可”。

葉崇杰雖不是生物信息背景，對基于transformer的大模型訓練有強烈的興趣。他和毛鵬志去年也曾在一個團隊并肩奮斗，鑒于上一屆默契的配合選擇再次參賽。葉崇杰說：“第二次參加DeeCamp，是出于對DeeCamp和組委會的信任，也是由于對伙伴的信賴。我和鵬志有共同的愿景，我也相信他的能力和責任心，能夠帶領我們取得成功?！?/p>

在這次比賽中，他們一起合作, 設計并訓練了一個AI譜圖語言大模型Spectrum-MAE. 通過大量的工程和模型優(yōu)化, 實現在單塊顯卡上將深度學習模型參數量增加到基線的20倍以上。

另一名隊員齊曉寧，是計算出身，研究生階段踏入生物信息交叉領域。多組學大數據時代，希望通過人工智能來幫助探索生命科學領域。

由于當下AI與其他學科花式結合，像齊曉寧這樣，被催生出的新交叉領域研究者還有很多。

總冠軍隊還有一名隊員——薛浩楠——同時獲得了DeeCamp 2022最具探索精神獎，因為他還是一名大二升大三的本科生。

為將前沿技術（如ZeRo等）更好地運用到項目中，薛浩楠和隊友們需深刻理解新技術，還需深度打磨，將其落地為所需要的課題實踐。

雖有接觸行業(yè)一線的欣喜，但也面臨技術能力挑戰(zhàn)，本科生身份的薛浩楠自述難度很大。和薛浩楠同為本科生的，本屆DeeCamp還有另外4位。

二次參賽+交叉領域者+實力萌新，可堪視為DeeCamp 2022部分成員背景縮影。

至于拿下總冠軍，10萬元大賽獎金該怎么花？團隊已經不謀而合：

拿來租服務器，把參賽項目糅合的部分拆解、完善，推動它繼續(xù)發(fā)展。

DeeCamp 2022

除總冠軍隊外，另外5支參與總決賽答辯的隊伍均獲得了優(yōu)勝獎。

另有4支參賽隊伍，雖未挺進總決賽，但在創(chuàng)新、技術、產業(yè)價值、社會價值4個方面分獲專項冠軍。

DeeCamp，由創(chuàng)新工場發(fā)起的AI訓練營，同時也是面向全球大學生，專注培養(yǎng)應用型AI人才的公益項目。

2017年首次發(fā)起，舉辦至今，DeeCamp已累計收到2萬余名在校大學生報名，錄取并培養(yǎng)了1500余名學員，是目前規(guī)模最大、周期最長、最具特色的AI公益訓練營。

今年，訓練營由創(chuàng)新工場和清華大學智能產業(yè)研究院（AIR）攜手舉辦。

圍繞主題“用AI探索生命科學新邊界”，來自10多個國家和地區(qū)的150多名成員，組成30支隊伍，參與了DeeCamp 2022。

相比之前賽道分散，本屆DeeCamp首次聚焦“AI+生命科學”賽道，通過17個賽題，號召大學生們用AI技術探索生命科學的新邊界。

大賽評委、創(chuàng)新工場董事長+CEO李開復表示：

“AI＋科學交叉”是創(chuàng)新工場預測未來5到10年間會引爆的創(chuàng)新增長新范式，“AI＋生命科學”更是造福人類、影響深遠的黃金賽道，這也是6年來一貫倡導“學以致用”的DeeCamp首次聚焦AI＋生命科學這一命題的深意所在。

總決賽答辯后，他還表示，期待在不久的將來，看到參賽同學成為中國“AI＋生命科學”賽道的創(chuàng)新先鋒。

DeeCamp：
https://deecamp.chuangxin.com/