久久精品免费观看_欧美日韩精品电影_91看片一区_日日夜夜天天综合

 顛覆生物學！AlphaFold成功預測蛋白質結構

蛋白質是由氨基酸鏈組成的、具有自身獨特 3D 結構的大型復雜分子，其對人們理解生命形成的機制至關重要。蛋白質折疊成何種形狀與其功能密切相關，而預測蛋白質結構對于理解其功能和工作原理至關重要。在過去 50 年里，蛋白質折疊問題一直是生物學領域的重大挑戰。

2020年11月30日，谷歌旗下AI技術公司 DeepMind 提出的深度學習算法AlphaFold破解了歷時五十年之久的蛋白質分子折疊問題。科學家們表示，Alphafold 的突破性研究成果將幫助人們弄清引發某些疾病的機制，并為設計藥物、農作物增產，以及可降解塑料的超級酶研發鋪平道路。

AlphaFold 處理蛋白質折疊問題

探究結構無序材料中不同的無序相（“多晶型物”）如何共存以及如何從一個相轉變為另一個相的過程是非晶材料研究的一個基本科學問題。以非晶硅為代表的非晶材料目前已被廣泛研究，它在自然條件下具備四配位的共價網絡，而在高壓條件下可形成更高配位的金屬相。

由于對非晶相的仿真模擬要求更大計算系統、較長的模擬時間和可轉移的原子相互作用模型（即對所有相關結構和鍵合環境均有效的模型）這給現有的計算機模擬帶來了巨大挑戰。即使是目前最先進的實驗和計算手段由于其固有的局限性也無法對非晶硅結構相變過程的具體機制進行詳細的闡釋。

AI 再次攻陷材料領域——助力非晶結構材料研究

剛剛，牛津大學Volker L. Deringer教授團隊開發了一種利用在精確的量子力學計算上訓練的原子機器學習方法。使用更廣泛的、基于機器學習模型的、具有量子精確的高斯近似勢能（GAP）分子動力學模擬（GAP-MD），作者對包含100,000個硅原子（十納米長度尺度）系統的液體-非晶態和非晶態-非晶態轉變過程進行了研究，并同時預測了其結構、穩定性和電子性質。該方法成功地描述和解釋了與實驗觀察一致的非晶硅的全部相變過程，直至達到既定的極限（即結晶）。這項里程碑式的成果以封面的形式刊登在Nature上。

這是繼 DeepMind 團隊利用AlphaFold解決50 年來生物學史上蛋白質折疊問題等重大挑戰之后，AI超強的運算實力在另一個領域的再次印證！納米尺度規模下非晶材料的結構相變研究標志著人們對無序材料的仿真模擬已邁出了質的步伐：可在具有實驗挑戰性的條件下從簡單的結構模型到對材料系統的真實性預測和完全原子描述。

圖1. 該方法與現有方法的比較

作者的仿真揭示了持續加壓過程中非晶硅多態性的三步轉變。首先，作者發現多態性在低密度和高密度非晶區域共存，而不是依次出現。然后，作者觀察到結構坍塌成明顯的超高密度的非晶相（VHDA）。最后，作者的仿真表明了該VHDA相的瞬態性質：它迅速使微晶核化，最終導致多晶結構的形成，這與實驗觀察一致，但在較早的仿真中未見。基于電子態密度的機器學習模型證實了VHDA形成和隨后的結晶過程中金屬性的開始。這些結果揭示了更廣泛范圍內硅的液態和非晶態轉變過程，為極富挑戰性實驗條件下的材料預測建模開辟了新途徑。

圖2. 高壓下電子指紋和結構相變

除了硅這一特定材料外，原子機器學習方法還具備引領新的科學發現的能力。由于該方法能夠獲得有關結構、穩定性和性質等量子精確級別的預測，可被用來揭示迄今未知的諸多現象：單個原子的結構和電子指紋、以及多態性、多晶性和其他形式的納米級異質性等。