北京日報客戶端 | 記者 汪丹

說到最近網上最火的科技名詞，非“ChatGPT”莫屬。ChatGPT（Chat Generative Pre-trained Transformer）是美國一家人工智能研究公司研發(fā)的聊天機器人程序，不僅能與人有問有答，文章也寫得有模有樣，因此有些人稱之為史上最強AI（人工智能），甚至還有人聯(lián)想到科幻片中人工智能最終取代人類的情節(jié)。記得上一輪掀起輿論熱潮的人工智能事件，還是2016年AlphaGo以4∶1戰(zhàn)勝世界頂級圍棋棋手李世石。今天我們請知名科普作者張?zhí)锟眮碚f說以ChatGPT為代表的人工智能對當前社會發(fā)展的影響，以及其現(xiàn)有成果在生物科學領域的作用。

接受強化訓練的生成式AI：

(資料圖片)

對接用戶需求創(chuàng)造新內容

現(xiàn)在全世界都在談論的ChatGPT是一個人工智能撰稿和聊天工具，去年11月一經推出，便在社交媒體上迅速走紅，至今月活躍用戶已過億。ChatGPT能夠通過學習和理解人類的語言來進行對話、回答各種問題，還能根據要求完成視頻腳本、文案、論文、代碼等寫作任務。它的成功，源于以深度學習為代表的人工智能技術的長期積累。從屬性上看，ChatGPT其實是一個大型語言模型（LLM），接受過大量文本數據的訓練，能夠對各種各樣的問題輸入生成類似人類的應答結果和反應，因此，也可以稱它為容生成器。

AI需要具備3個要素：數據、算力及算法。數據是知識原料，算力及算法則提供“計算智能”以學習知識并實現(xiàn)特定目標。人們對AI有多種分類，以AI“能做什么工作”和“完成什么任務”作為標準，可以簡單將其分為反應式AI（分析型AI）和生成式AI。

反應式AI根據預編程規(guī)則對不同類型的刺激做出反應，由于不使用內存，所以無法通過新數據進行學習。1997年擊敗國際象棋冠軍加里·卡斯帕羅夫的 IBM深藍超級計算機就是反應式AI。

而生成式AI獲得了大量數據、信息，并且經過了強化訓練和深度學習，以及類似于神經網絡的反饋糾錯機制，所以能完成很多工作，產生很多產品。用一句話概括其本質：根據用戶的具體需求創(chuàng)造新內容。

從ChatGPT的全稱“Chat Generative Pre-trained Transformer（生成式預訓練轉換器）”就能看出，它是一款可以自行生成許多內容的AI，包括各類文本、文章、與人對話、翻譯、編寫代碼、繪畫、制作視頻等。

由于受各種因素的制約，ChatGPT生成的內容也有不少錯誤，尤其是關于社會、文化、人文、哲學、政治、經濟和歷史方面的內容。但是在自然科學領域，由于有公認的定律和共同的認知，如“原子是由帶正電的原子核和核外帶負電的電子構成的”，ChatGPT生成的內容出錯率相對較少。

正因如此，雖然生成式AI在所有領域都有用武之地，但類似ChatGPT的生成式AI在自然科學領域的應用更受青睞。生物醫(yī)學研究、醫(yī)療和生命科學都需要生成式AI，ChatGPT只是其中一種。

準確預測蛋白質結構：

可加快新藥和疫苗研發(fā)

目前，生成式AI在生物醫(yī)學領域的用途方興未艾。生成式AI不僅能分析成千上萬種蛋白質，還可以生成新的蛋白質，甚至是自然界從未出現(xiàn)過的蛋白質。

過去，認識和精確測定蛋白質的構型需要耗費大量的時間和精力，還未必能測得準，給藥物、疫苗研發(fā)和疾病治療造成了阻礙。如果生成式AI的結果既準確又快速，就可以知道一些病毒變異后的蛋白質結構，如新冠病毒的S蛋白變異，從而加快研發(fā)新藥和疫苗的速度。

2020年，英國深度思考公司研發(fā)的阿爾法折疊2（Alpha Fold-2）有了驚人成就。這款生成式AI在2020年舉行的第14屆“蛋白質結構預測關鍵評估”大賽中大放異彩。它測定的大部分蛋白質結構非常準確，不僅與實驗方法測得的蛋白質結構的精確度相同，還遠超解析新蛋白質結構的其他方法。具體來說，阿爾法折疊2能在幾分鐘內預測出一個典型蛋白質的結構，并能夠在幾天內生成高精度的結構。2022年初，阿爾法折疊2又測出了2.2億個蛋白質的結構，幾乎涵蓋了DNA數據庫中已知生物的所有蛋白質。

2022年11月，Meta公司（前身為Facebook）奮起直追，其名為ESMFold的生成式AI軟件預測了約6億個蛋白質的結構，這些蛋白質來自細菌、病毒和其他尚未命名的微生物。雖然該軟件的準確性不如阿爾法折疊2，但在預測結構方面速度要快約60倍。

ESMFold的原理與ChatGPT基本相似，也是一種大型語言模型，只不過，訓練它的內容不是自然語言，而是生物基因語言，也就是通過堿基排列的順序和規(guī)律來檢測蛋白質。

舉例來說，對于ESMFold的訓練，是把已知蛋白質的氨基酸序列“投喂”給它們，正如訓練ChatGPT要把自然語言的詞語根據語法進行“投喂”一樣。自然界的蛋白質可以用20個不同的氨基酸鏈表示，每個氨基酸鏈由一個字母表示，這種訓練使ESMFold對蛋白質序列有直觀理解，并能理解蛋白質序列包含的蛋白質形狀信息。在這樣的深度學習之后，ESMFold學會了在氨基酸比例模糊的情況下“自動補全”信息。

研究團隊把ESMFold應用于大規(guī)模測序的“宏基因組”DNA數據庫，這些DNA來自于環(huán)境，包括土壤、海水、人類腸道、皮膚和其他微生物棲息地。ESMFold通過算法，能結合蛋白質結構和序列之間關系的信息生成預測結構。它總共預測了超過6.17億個蛋白質的結構，只花了兩周時間。而且，在6.17億個蛋白質測試中，超過1/3的預測是高質量的，有數以百萬計的蛋白質結構是全新的。

自然界酶類從無到有：

人工酶氨基酸序列變化也無損活性

生成式AI的強大還體現(xiàn)在可以生成自然界中沒有的蛋白質和物質，為人類的衣食住行生產、提供新原料和產品。

美國一家人工智能研究企業(yè)研發(fā)了另一種生成式AI，稱為人工酶人工智能系統(tǒng)ProGen。這是一種專門檢測酶（由活體細胞產生的一種特殊蛋白質，人體內幾乎所有生化反應都必須有酶參與才能完成）和生成酶的AI軟件。在實驗室測試中，ProGen設計的一些人工酶與自然界中發(fā)現(xiàn)的酶一樣有效，即使其氨基酸序列與任何已知的天然蛋白質存在顯著差異，也仍然有生物活性。

特定的蛋白質各有其單獨的氨基酸排列順序。研究人員把1.9萬個酶家族的2.8億種不同蛋白質的氨基酸序列輸入ProGen機器學習模型中，同時提供相關蛋白質特性作為控制標簽，然后讓系統(tǒng)花費數周時間來“消化”這些信息。此后，研究人員再把信息收窄，使用來自5個溶菌酶家族的5.6萬種蛋白質氨基酸序列，以及有關這些蛋白質的一些信息來對模型進行微調。

根據學習的內容，ProGen迅速生成了100萬個蛋白質序列，研究團隊在其中選擇了100個進行測試后發(fā)現(xiàn)：來自5個溶菌酶家族的所有人工蛋白質均顯示出活性，且73%具有抗菌功能，而在天然蛋白質中僅59%具有抗菌功能。

更令人驚訝的是，在另一輪篩選中研究團隊發(fā)現(xiàn)，即使只有31.4%的序列與目前已知的天然蛋白質相似，生成式AI設計的酶類依然顯示出了生物活性。與之相反的是，天然蛋白質如果發(fā)生任何一個突變，都有可能失去生物活性。

這些研究結果總結起來，彰顯了三方面的意義：一是ProGen生成的人工蛋白質不僅可以正確表達，還展示出與蛋白質天然折疊相類似的結構；二是AI生成的蛋白質即便只有部分氨基酸序列與天然蛋白質的序列相似，也具有生物活性，但天然蛋白沒有這個優(yōu)勢；三是人工智能可以設計出在自然界從未有過的新物質和新產品。

這意味著，如果采用生成式AI設計和生產蛋白藥物、食品及生物產品（如降解塑料的產品），會更快更有效，當然其安全性還需通過進一步的研究來檢驗。換句話說，如果人工智能生成的蛋白質能夠像自然生成的蛋白質一樣，也意味著未來人工智能可以設計人類所需要的各類產品，首要的就是滿足人類生存的食物和藥品。

幫助診斷疾病和優(yōu)生：

最終結果仍需人類審核決定

現(xiàn)在，生成式AI已經發(fā)展到通過圖像、血液、組織掃描結果，來檢測、診斷和預測心血管病、眼部疾病、糖尿病，以及結直腸癌、肺癌、乳腺癌、前列腺癌等多種癌癥。

還有一個受到醫(yī)學關注的領域是不孕不育。現(xiàn)代生活方式和環(huán)境變化造成約有15%的夫婦不育，其中精子質量差是重要的原因之一。傳統(tǒng)的做法是對精子活檢來檢測質量，但這個任務如果由AI來完成會更出色。

總之，無論AI應用到了什么領域，最終所獲得的成果或生成的產品仍需由人來審核和決定，這才是對待AI的科學態(tài)度。

供圖：視覺中國

標簽： 人工智能 氨基酸序列 天然蛋白質