如何评价 DeepMind 公司？ 第1页

DeepMind是神一般的公司，举个栗子，其出品的AlphaFold技术可媲美人类基因组计划，当今各种基因疗法都得益于当年宏大的基因组计划，AlphaFold展现的人工智能也将极大推动未来的药物研发。摘一段大神邢波教授的评价：

在过去的三五年里面，让我印象比较深的工作之一是最近 DeepMind 用深度学习的方法对蛋白质结构做预测的工作。我觉得它里边有若干个思想上的创新，不是技术上创新。
通常我们在做这种结构的预测，或者是在做各种预测的时候，都是用 connecting dots forward 的思路，就是往前推演，线性逻辑。比如从因果来推，比如知道了原子成分和排序，蛋白序列，也知道每个原子蛋白序列的化学特性，能够用它来计算化学键，算最小能量，以此推算稳定结构，从一维序列，到二维结构，到三维结构，到四维结构组。我们知道物理里面实际上就是用第一性的原则，first principle。第一性，然后最小能量，然后算作稳定状态，然后蛋白结构，应该是这么一个东西。
据我了解，这份叫做 AlphaFold 的工作不是基于第一性原则弄出来的。它是用了间接的、有点舍近求远，是一个非常间接的 solution。它是先收集了所有的匹配，就是说每个原子和分子对之间的距离，这是可以通过 X 光，核磁共振，通过各种各样的物理化学实验做到的，它先就收集了这么一个数据库。
这实际上就提供了分子（本来是一维序列）的所有二度关联信息，即点到点之间的物理距离。它同时又收集了大量已知的蛋白质三维结构，然后用深度学习来做这两者的 input/output 的 blackbox mapping。
首先做了从一维序列到二维 pairwise distance matrix 的模型。Pairwise distance matrix 的好处是得到了对蛋白的二维全局观，因为把所有的 n×n 的 pairwise distance 展现在一张图上，就像我们通常的二维图像一样。然后它再通过 pairwise distance 对这个整个蛋白的结构做了黑匣子式的预测，也是通过监督式深度学习。
它的思路绕过了第一性原则——通过算最小能量值，或者是通过物理计算，通过模拟来产生最佳的解。AlphaFold 是直接通过全局的，通过由于结构而产生的 pairwise distance function 来做反推，反推什么样的结构才能够产生这样的 distance function。这个方法很有趣。有点像我们去旅游的时候，不知道自己的下一步目标，但是由于我知道到了下一步目标以后的再下一步目标，然后我来反推下一个目标在哪，是这么一个思路。
这里面充分应用了深度学习的长处，深度学习对大数据到大数据的 mapping 的学习能力很强，能够看到人看不到的一些 insights。从 a 到 b 这一步，机器虽然不善于学，但是从 a 到 c 反而是它能够学到的。人是不太容易学到 a 到 c 的，但是机器学习很容易学到这一部分。然后再从 c 回到 b，这也是机器学习能学的。所以它把 a 到 b 这一步整体 pass 过去了。
我觉得这个思路非常有意思，为什么？因为从 a 到 b 是第一性，是局部的计算，必须得通过紧邻的原子分子的相互作用一步步来 threading，就像一根线怎么慢慢地给它折叠起来，它是一步一步折叠的。但到了 c 的时候，它已经变成了 pairwise distance function，有全局的 information。在预测每一个三维结构的时候，它实际上是通过全体的二维 pairwise distance 来做预测。从全局到局部的预测，通过深度学习的方法来实现。
这个思维方法特别奇特，我甚至觉得有可能获得诺贝尔奖，通过机械的方法实现了对数据的全局观，然后通过全局再来预测局部这样一个结构。在人的计算过程中，我们很难做全局的预测，因为它的计算量太大了，做不到这一点。我不知道有没有讲清楚，但我觉得它的思路本身是有一定的突破性。

最后再举个例子说明AlphaFold和解析蛋白质结构的重要性。
1. 2020年初新冠病毒的基因序列公开，大约1个半月后，2月19日UT Austin研究人员宣布成功解析新冠病毒S蛋白结构。
2. 根据蛋白结构，研究发现2019-nCoV与SARS-CoV具有相同的功能宿主受体细胞——ACE2。
3. 进一步利用表面等离子共振动力学(SPR)来定量研究这种蛋白质相互作用，发现新冠病毒与ACE2胞外域结合的亲和力约为15 nM，要比SARS冠状病毒高出10-20倍。新冠病毒与ACE2之间的高亲和力，可能导致人际之间快速传播。
有了AlphaFold，用计算机快速预测出准确度非常高的蛋白质结构，可以大幅缩短解析新冠病毒S蛋白结构的时间，不用再等1个半月，从而更快帮忙大家理解新冠病毒的特性。