在過去，科學家如果想知道一個蛋白質長什麼樣子，就像是在沒有說明書的情況下，試圖解開一個由數千個零件組成的複雜 3D 拼圖。這項工作通常要花上幾年的時間，耗費台幣數百萬元，且最後還不一定能成功。
但現在，這個長達半世紀的科學難題，已經被AI徹底改寫。由Google DeepMind與歐洲生物資訊研究所（EMBL-EBI）合作的AlphaFold蛋白質結構資料庫（AFDB），就像是一個蛋白質界的Google搜尋引擎，科學家只要輸入蛋白質的序號，幾秒鐘內就能看到它的精準3D結構。
結構預測之後，從靜態照片轉向動態功能
結構資料庫的全面性，固然為藥物開發、生物技術及疾病理解提供了前所未有的加速器，但結構預測的完成並非研究的終點。雖然AFDB提供了靜態的高精準度3D模型，但生命現象的本質是動態的。
科學家接下來面臨的挑戰在於，蛋白質在細胞內是如何與其他分子、藥物或環境壓力進行動態交互作用的？
雖然AI已經幫我們畫好了絕大多數蛋白質的結構，但這只是生命奧祕的一小部分。在真實的身體細胞裡，蛋白質很少單獨行動，它們通常需要像積木一樣互相組裝、拼湊成複雜的蛋白質複合物才能發揮功能。目前的資料庫對於這些蛋白質之間如何合體的預測，還不夠全面。
此外，有些蛋白質天生就不受規矩，它們像是一條靈活的繩索，在還沒遇到夥伴前根本沒有固定的形狀，這種特性被稱為內在無序（Intrinsic Disorder）。對於這些變幻莫測的構造，AI目前也還在努力學習中。
因此，現在科學家的研究重點已經改變了：以往只滿足於看清單個零件長什麼樣子，目前努力觀察它們在生命體內如何與其他分子互動、如何隨時間演演化，以及如何共同完成複雜的生物化學反應。
當高階生物資訊變成手機就能查的普及知識
除了畫出蛋白質的基礎長相， AlphaFold資料庫更進一步揭露了，蛋白質的變身祕密。在生命體中，同一個基因其實會根據不同需求，產生多種微調版本，這被稱為蛋白質異構體（Isoforms）。這些微小的形狀改變，往往就是決定一個人會不會生病，或是藥物是否有效的關鍵。
資料庫現在能提供這些細微變化的結構預測，讓科學家不必再大海撈針，而是能精準地觀察這些異構體在不同組織中是如何切換功能的。這項進展，讓研究重點轉向理解蛋白質的多樣性，揭開進化如何在結構微調中創造出複雜的生理奇蹟。
另一方面，AFDB的介面與更新的API技術，正在推動一場生物資訊去中心化的革命。過往只有具備強大運算資源的實驗室才能運作AlphaFold模型，但現在透過雲端平台與高度整合的可視化工具，即使是資源較少的基礎研究單位，也能即時獲取數億個高精準度結構模型。
這場結構民主化消除了研究門檻，但更應思考如何因應數據解釋的挑戰。當資訊取得變得極其廉價時，科學家更需要培養對AI預測品質的判斷力。研究者必須學會解讀資料庫上的功能標註與結構解說，以辨識出預測模型中的內在無序區域，避免在缺乏實驗證據的情況下，過度解讀那些AI可能存在不確定性的區塊。
（首圖來源：shutterstock）
科技新報粉絲團
加入好友
訂閱免費電子報
