新智元报道
编辑：庸庸 乔杨
【新智元导读】谷歌DeepMind开发的AlphaFold一夜之间颠覆了生物学，这一革命性的突破背后，有一支怎样的团队？AlphaFold的缔造者之一、DeepMind研究副总裁分享了成功的秘密——如何组建一个团队来应对这一巨大的跨学科挑战并取得胜利。
一个月前，DeepMind开发的AlphaFold 3惊艳了整个生物圈和AI圈。
AlphaFold 3能够根据氨基酸序列预测蛋白质的三维结构，解决了生物学中一个长期存在的难题。
这一突破对生物医学研究、疾病认识（如在COVID-19大流行期间对蛋白质结构的认识）和生物技术具有深远影响。除了技术上的成就，AlphaFold项目还在解决问题、团队管理和跨学科合作方面提供了宝贵的经验。AlphaFold的成功不可被复制，但是它成功的经验却可以迁移。那么，震惊整个科学界的AlphaFold开发团队究竟做对了什么？Google DeepMind的研究副总裁Pushmeet Kohli，分享了AlphaFold成功的秘密。
- 组建多元化团队：吸纳具有不同专长的人才，以解决不同方面的问题。- 促进开放式交流：营造一种环境，让团队成员在需要帮助和分享知识时能畅所欲言。- 促进持续学习：鼓励团队成员相互学习以及向其他学科学习。- 注重循序渐进：优先考虑持续、渐进的改进，而不是寻求单一的突破。- 利用跨学科见解：利用不同领域的知识为项目提供信息并加以改进。
关于AlphaFold
AlphaFold将蛋白质的氨基酸序列作为主要输入，并输出该蛋白质的预测三维结构。
输入：相关蛋白质的氨基酸序列
输出：预测蛋白质复合物的三维结构及原子坐标蛋白质是在生物体内发挥各种功能的重要分子。它们的功能由其三维结构决定，而三维结构则由其组成的氨基酸序列决定。了解蛋白质的结构可能需要花费数月时间，但一旦完成，就可以深入了解蛋白质的工作原理和功能。准确的蛋白质结构预测至关重要，而且有多方面的下游应用。- 加速药物发现：通过了解蛋白质结构，研究人员可以设计出更有效的药物。- 增进对疾病的了解：蛋白质结构知识可以帮助人们深入了解疾病的机理，包括COVID-19。- 推进生物技术：它允许设计具有特定功能的新型酶和其他蛋白质。在蛋白质结构预测关键评估（Critical Assessment of protein Structure Prediction，CASP）竞赛中，以往的获胜方案稳定在40.0左右。AlphaFold打破了这一瓶颈，并大幅超越了之前的分数。
历年CASP竞赛中表现最佳的模型AlphaFold2再次刷新了这一新纪录，给该领域带来了革命性的冲击，让蛋白质结构预测直接进入「后AlphaFold时代」。确定蛋白质结构的传统方法，如X射线晶体学和冷冻电子显微镜，既耗时又昂贵。AlphaFold提供了一种可扩展的高效替代方法，但开发如此复杂的模型也面临着一系列挑战。AlphaFold项目团队是如何做到的呢？
跨学科合作
AlphaFold项目的突出特点之一是不同团队之间的有效合作。DeepMind 汇集了来自不同领域的专家，包括：- 生物学家：深入了解蛋白质的生物学意义。- 机器学习专家：开发复杂的算法和模型。- 结构生物学家：确保预测在物理上合理。
AlphaFold项目汇集了各个团队来解决复杂的跨学科问题主要经验- 聘请领域专家：让相关领域的专家参与进来，全面了解问题。- 跨职能团队：促进不同学科间的合作，从多个角度解决复杂问题。
渐进式改进
罗马不是一天建成的。AlphaFold的成功不是单一突破的结果，而是一系列渐进式改进的结果。无论是模型架构、训练数据，还是算法调整，每一个微小的改进都为整体成功做出了贡献。
没有任何单一突破能够带来AlphaFold最先进的性能，持续的迭代开发和渐进式改进提供了性能的巨大综合提升主要经验-迭代开发和改进：强调持续改进和迭代测试，以完善模型。接受你所获得的胜利，无论大小。这样做的目的是通过了解失败案例，并使用更好的数据和方法，提高性能，不断改进。-消融实验（Ablation Studies）：进行彻底的消融实验，以了解每个组件的影响并优化性能。这个方法来自神经科学，有许多实验是通过损伤(ablate)一个或多个特定的神经元来研究它们的功能。
消融实验表明，AlphaFold的性能之所以如此出色，并不是依靠单一的灵丹妙药，而是一系列渐进式改进的组合从上述消融实验的总结中可以看出，并没有一个明确的主导思想能带来如此巨大的性能提升。只有通过许多渐进式的改进才能解决这一难题，最终形成最先进的系统。
ML模型的归纳偏差：模型的基础
归纳偏差（Inductive Bias），是AI领域的一个关键概念，它描述了机器学习算法在学习过程中对特定解决方案的偏好或倾向。归纳偏差有助于算法在面对有限数据和不确定性时，做出合理的预测和泛化。在某些领域，例如生物学或物理学，有些规律是我们人类已经知道的，比如牛顿运动定律。当然，只要有足够多的相关数据，我们也能让机器学习模型自己找到这些规律。
不过，有时在这些模型中预埋这些信息是非常有必要的，这样当模型学习时就不需要从这些基础知识开始，而是可以直接去学习那些难以用正式方程或定律写下来的细微差别。DeepMind做得很好的一点是，他们没有使用通用的现成模型，而是给模型注入了领域内的专业知识，以及对所要解决问题的了解，让模型更「好」，也更「相关」，从而赢在了起跑线上。
让所有团队达成共识
对于AlphaFold的机器学习工程师来说，了解问题背后的基础科学至关重要。这种深刻的理解使他们能够将特定领域的知识纳入模型设计，从而实现更准确的预测。
「对齐颗粒度」，让整个团队发挥更大的影响力对于一个包含生物学家、计算机科学家和工程师等各领域人才的跨学科团队来说，让每个人都参与到项目中来，保持同频至关重要。要让生物学家理解机器学习，让计算机科学家理解蛋白质，并不是一件简单的事情。然而，一旦完成这项艰巨的工作，所有团队都将达成一致，并对更广泛的情况有一个总体的了解。这就像一种「催化剂」，让团队中的每个成员都能提供比通常情况下更多的价值，因为他们已经将问题内化并清楚地理解了它。主要经验- 领域知识：投入时间学习问题领域的基础知识，建立更有效的模型。- 跨学科培训：鼓励跨学科教育，弥合各领域之间的差距，让领域专家在更好地了解当前问题的背景下发挥最大作用。AlphaFold的成功证明了跨学科合作、渐进改进和深厚领域知识的力量。通过培养开放、持续学习和迭代开发的文化，团队甚至可以应对最复杂的挑战并推动创新。
AlphaFold的开发经验提供了一幅通往项目成功管理和执行的蓝图。
参考资料：https://codecompass00.substack.com/p/inside-alphafold-deepmind-recipe-success?r=rcorn
