纽约大学医学院的细胞和结构生物学家Gira Bhabha说 ， 两种方法都很有效 。 她表示 ， “DeepMind和Baker实验室的进展都是惊人的 ， 将改变我们利用蛋白质结构预测推进生物学的方式 。 ”
开源代码 ， 如何促进整个科学界？
相比于去年年底带来的震撼 ， 这次外界更感兴趣的是上述两支团队开源代码这一动作 。
此前的6月中旬 ， 在Baker实验室发布RoseTTAFold预印本三天之后 ， DeepMind的Hassabis在推特上表示 ， AlphaFold2的细节正在接受一份出版物的审查 ， 公司将“为科学界提供广泛的免费访问” 。
而从6月1日开始 ， Baker等人已经开始挑战他们的方法 ， 让研究人员发送来他们最令人困惑的蛋白质序列 。 加州大学旧金山分校的结构生物物理学家David Agard的研究小组发送了一组没有已知类似蛋白质的氨基酸序列 ， 几个小时内 ， 他的团队就得到了一个蛋白质模型 ， “这可能为我们节省了一年的工作 。 ”Agard说 。
除了免费提供RoseTTaFold的代码外 ， Baker团队还建立了一个服务器 ， 研究人员可以插入蛋白质序列并得到预测的结构 。 贝克说 ， 自从上个月推出以来 ， 该服务器已经预测了大约500人提交的5000多种蛋白质的结构 。
不过 ， 上述两支团队的源代码都是免费的 ， 但也有观点认为 ， 对于没有技术专长的研究人员来说 ， 它可能还不是特别有用 。 不过 ， DeepMind的科学人工智能负责人Pushmeet Kohli表示 ， DeepMind已经与一些选定的研究人员和组织合作 ， 以预测特定的目标 ， 其中包括总部位于瑞士日内瓦的非营利组织“Drugs for ignored Diseases” 。 “在这个领域 ， 我们还有很多想做的事情 。 ”
Hassabis提到 ， 去年在CASP14大会上我们揭晓了一个可以将蛋白质3D结构预测精确到原子水平的全新AlphaFold系统 ， 此后我们承诺会分享我们的方法 ， 并为科学共同体提供广泛、免费的获取途径 。 “今天我们迈出了承诺的第一步 ， 在《自然》期刊上分享AlphaFold的开源代码 ， 并发表了系统的完整方法论 ， 详尽细致说明AlphaFold是如何做到精确预测蛋白质3D结构的 。 作为一家致力于推动科学进步的公司 ， 我们期待看到我们的方法将为科学界启发出什么其他新的研究方法 ， 也期待很快能和大家分享更多我们的新进展 。 ”
DeepMind团队认为 ， 这一精准的预测算法可以让蛋白质结构解析技术跟上基因组革命的发展步伐 。
Baker团队也提到 ， “我们希望这个新工具将继续造福整个研究界 。 ”
中国科学院合肥物质科学研究院强磁场科学中心研究员谢灿对澎湃新闻（www.thepaper.cn）采访人员表示 ， “总的来说 ， 对学术界来肯定是好事 ， 肯定会促进结构生物学和相关领域的发展 。 在承认学术贡献的基础上的开放和共享 ， 本来就应该是学术研究最基本的要求 。 ”
结构生物学是谢灿的“老本行” ， “我当年花了8年的时间去解析一个蛋白的晶体结构 ， 我能切身体会如果有一个精准预测蛋白结构的算法出现 ， 对结构生物学家意味着什么 。 ”
但他认为 ， 不必要担忧这些算法的出现会让结构生物学家失业 ， 在技术迭代之下 ， 结构生物学这些年受到的冲击太多了 ， “而事实上 ， 只不过是某一个领域某一个技术在某一个历史阶段更容易出工作出成绩 。 ”谢灿认为 ， 无论再精准的预测 ， 终究也只是预测 ， “AlphaFold2不是实验 ， 同样也需要实验去证实 。 ”
王宏伟在AlphaFold2刚出现之时也曾评价道 ， 对于复杂的结构生物学问题 ， 预测手段本身还不能号称完全解决了问题 。 实验结构生物学领域接下来需要做的一个事情是要拥抱变化 ， 更好地与预测方法结合以及共同发展 。