(资料图片仅供参考)

科技日报记者 张梦然

科学家已成功将强化学习应用于分子生物学的挑战：美国华盛顿大学研究人员开发出一款功能强大的新型蛋白质设计软件，该软件改编自一种被证明擅长棋盘游戏（如国际象棋和围棋）的策略。实验发现，用新方法制造的蛋白质能更有效地在小鼠体内产生有用抗体。发表在最新一期《科学》杂志上的研究结果，可能会很快带来更有效的疫苗。

使用强化学习软件程序设计的蛋白质结构示例。图片来源：IAN HAYDON/华盛顿大学蛋白质设计医学研究所

强化学习是一种机器学习，其中计算机程序通过尝试不同的动作和接收反馈来学习作出决策。例如，这样的算法可通过导致胜败的数百万种不同动作来学习下国际象棋。

为了开发用于蛋白质设计的强化学习程序，研究人员为计算机提供了数百万个简单的起始分子。然后，该软件进行了一万次尝试，随机改进每一个以达到预定义的目标。计算机将蛋白质加长或以特定方式弯曲它们，直到学会如何将它们扭曲成所需的形状。

作为这项研究的一部分，研究人员在实验室制造了数百种人工智能设计的蛋白质。使用电子显微镜和其他仪器，他们证实计算机创建的许多蛋白质形状确实在实验室中实现了。研究证明，这种方法不仅准确，而且可定制，制作出无孔、小孔或大孔的球形结构。

该团队专注于设计由许多蛋白质分子组成的新型纳米级结构。这需要设计蛋白质成分本身和允许纳米结构自组装的化学界面。为了衡量设计软件的准确性，研究人员观察了许多独特的纳米结构，其中每个原子都位于预期的位置。换句话说，预期和实际纳米结构之间的偏差平均小于单个原子的宽度。

在未来，这种方法能够创造出使用以前的方法无法制造的治疗性蛋白质、疫苗和其他分子。研究人员使用血管细胞的原代细胞模型表明，设计的蛋白质支架优于该技术的先前版本。由于帮助细胞接收和解释信号的受体更密集地聚集在更紧凑的支架上，它们在促进血管稳定性方面更有效。

总编辑圈点：

这是一项AI推进蛋白质科学进展的里程碑式研究。其潜在的应用从开发更有效的癌症治疗药物，到创造新的可生物降解的纺织品，可以说价值巨大。而更深层次的意义，在于它证明了强化学习可做的不仅仅是掌握棋盘游戏，在解决科学中长期存在的难题时，强化学习同样表现出色。如果将这种方法应用于解决问题，它还能加速多项科学领域的进步。

标签：