AlphaFold的伟大，只因做对了这5件事！DeepMind副总裁：团队注定会取得突破

编辑：庸庸 乔杨

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