AlphaFold主要由两部分组成:1)残差间距离预测和扭转角预测的深度残差网络;2)对第一步预测信息得到的能量函数进行能量最小化。
深度学习部分与以下两篇论文非常相似:
- 利用超深度学习模型对蛋白质接触图谱进行了精确的从头预测
- 深度学习驱动基于距离的蛋白质折叠
与此同时,第一篇论文获得了2018年PLoS计算生物学研究突破/创新奖。
当然,DeepMind在其deep residual network中使用了更多的层,但这不太可能带来很大的性能提升,因为一旦网络有50-60个层(上面第一篇论文使用的就是这个层),准确率就接近饱和了。
AlphaFold比其他组做得更好,因为DeepMind团队在深度学习和能量最小化方面都做得很好。相比之下,其他CASP13小组(比DeepMind小组小得多)只在其中一个小组做得很好。
顺便说一下,除了AlphaFold,还有几个组做得比上一个CASP好得多,主要是因为很多CASP13组都实现了上面文中描述的深度学习方法。