在全球AI競技場上，美國憑借先發(fā)優(yōu)勢，在AI行業(yè)長期占據(jù)領(lǐng)先地位。然而，近期DeepSeek推出的低成本且高性能的開源模型R1，在通用AGI領(lǐng)域挑戰(zhàn)了現(xiàn)有技術(shù)范式。面對這一創(chuàng)新，Meta迅速展開研究，OpenAI等AI巨頭也被迫加快迭代步伐以跟進。DeepSeek的突破不僅顯示了美國在AI領(lǐng)域的長期主導(dǎo)地位并非不可撼動，也改變了全球?qū)χ袊髽I(yè)的刻板印象——中國企業(yè)正從技術(shù)的模仿者，躍升為前沿創(chuàng)新的引領(lǐng)者。
要實現(xiàn)在全球AI競賽中的領(lǐng)先地位，必須注重通用AGI與垂直AI的協(xié)同發(fā)展。作為AI的基石，通用AGI具備強大的認知和適應(yīng)能力，能夠處理廣泛的復(fù)雜任務(wù)，是實現(xiàn)智能社會的核心支撐；而垂直AI則專注于與特定行業(yè)的深度融合，依托豐富的領(lǐng)域數(shù)據(jù)和專業(yè)知識，強調(diào)應(yīng)用落地，具有更強的短期商業(yè)化潛力，是各行各業(yè)獲得增量的關(guān)鍵動力。
以AI制藥為例，中國科學(xué)院院士陳凱先在公開場合表示，AI為制藥行業(yè)帶來的潛在價值可達1.2萬億美元。他指出，國外研究顯示，人工智能技術(shù)的應(yīng)用可以將藥物設(shè)計時間縮短70%，并將藥物設(shè)計成功率提升10倍。
從全球市場格局來看，美國在AI制藥領(lǐng)域處于領(lǐng)先地位。據(jù)貝哲斯咨詢報告，2024年，美國在全球 AI制藥市場的占比高達54.4%，而英國和歐盟各占約12%。與之相比，以中國為主的亞太地區(qū)，仍處于起步階段。
顯然，我國醫(yī)藥行業(yè)尚未迎來屬于自己的“DeepSeek”時刻，關(guān)鍵原因之一在于尚未實現(xiàn)底層技術(shù)的突破。例如，DeepMind的AlphaFold就屬于“卡脖子”的核心技術(shù)。
蛋白質(zhì)結(jié)構(gòu)預(yù)測工具AlphaFold是AI在生命科學(xué)應(yīng)用領(lǐng)域的標(biāo)桿，極大推動了全球生物醫(yī)學(xué)研究的進展。通過深度學(xué)習(xí)算法，AlphaFold能夠根據(jù)蛋白質(zhì)的氨基酸序列預(yù)測其三維結(jié)構(gòu)，解決了長期困擾生物學(xué)家的難題，并為藥物研發(fā)提供了重要基礎(chǔ)。它使研究人員能更準確地理解藥物靶點的結(jié)構(gòu)，從而設(shè)計出更有效的藥物分子。
目前，AlphaFold3已開源，可用于非商業(yè)用途的研究。對此，復(fù)旦大學(xué)復(fù)雜體系多尺度研究院院長馬劍鵬曾評論說，“有些人說AlphaFold開源了，我們國家不用搞了，這是大錯特錯。首先，他們所謂的開源只是表層結(jié)構(gòu)開源了，底層技術(shù)沒有開源。第二，你把它拿來你只能做他們的東西，你沒有辦法提高，就像航空發(fā)動機你買來可以，你能往前在進一步嗎？不可能。”
當(dāng)前，我國仍處于探索和模仿AlphaFold的階段，在構(gòu)建蛋白質(zhì)靜態(tài)結(jié)構(gòu)數(shù)據(jù)庫方面，部分研究方法借鑒了AlphaFold的思路，并幾乎完全聚焦于研發(fā)更優(yōu)的算法以實現(xiàn)超越。盡管投入了大量科學(xué)研究資源，實際效果并不理想。
那么，如何復(fù)刻DeepSeek模式，實現(xiàn)“從模仿到超越”呢？
回顧DeepSeek的技術(shù)路徑，他們沒有簡單地追隨傳統(tǒng)大模型的技術(shù)路線，而是通過一系列創(chuàng)新設(shè)計，實現(xiàn)了顯著的性能提升和成本優(yōu)化。例如，DeepSeek的R1采用了混合專家架構(gòu)（MoE），取代了傳統(tǒng)Transformer架構(gòu)中的前饋網(wǎng)絡(luò)（FFN）層。這一架構(gòu)設(shè)計不僅保持了模型的高性能，還顯著降低了計算量和顯存占用。
再從客觀角度分析AlphaFold的優(yōu)劣勢。盡管AlphaFold在蛋白質(zhì)靜態(tài)結(jié)構(gòu)預(yù)測方面表現(xiàn)出色，但也存在一些先天的局限性。其訓(xùn)練數(shù)據(jù)主要來源于實驗數(shù)據(jù)，擅長靜態(tài)蛋白質(zhì)結(jié)構(gòu)的預(yù)測，但在蛋白質(zhì)動態(tài)構(gòu)象變化建模上存在明顯短板，難以精準模擬蛋白質(zhì)折疊路徑、構(gòu)象轉(zhuǎn)換以及相互作用機制，尤其是在靶蛋白與分子對接時，AlphaFold的預(yù)測結(jié)果可能存在較大偏差。此外，AlphaFold的訓(xùn)練數(shù)據(jù)高度依賴靜態(tài)蛋白質(zhì)結(jié)構(gòu)庫，而這些數(shù)據(jù)的增長速度較慢，現(xiàn)有的氨基酸序列和蛋白質(zhì)三維結(jié)構(gòu)數(shù)據(jù)量有限，且許多數(shù)據(jù)已經(jīng)得到充分利用，無法為新的預(yù)測任務(wù)提供更多支持。
因此，借鑒DeepSeek的成功經(jīng)驗，同時規(guī)避AlphaFold的局限，我們可以制定以下三步策略，以實現(xiàn)從“模仿”到“超越”的突破：
技術(shù)路徑：選擇構(gòu)建蛋白質(zhì)動態(tài)結(jié)構(gòu)數(shù)據(jù)庫
蛋白質(zhì)在生物體內(nèi)并非靜態(tài)存在，其功能和行為與動態(tài)變化密切相關(guān)。許多生物過程依賴于蛋白質(zhì)的動態(tài)變化，而這些變化對于藥物設(shè)計和分子對接至關(guān)重要。因此，我們可以跳出由AlphaFold主導(dǎo)的靜態(tài)結(jié)構(gòu)預(yù)測框架，轉(zhuǎn)而探索動態(tài)結(jié)構(gòu)預(yù)測，以推動技術(shù)的跨越式進展。
構(gòu)建動態(tài)蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫是實現(xiàn)技術(shù)跨越的核心步驟。傳統(tǒng)的蛋白質(zhì)靜態(tài)結(jié)構(gòu)數(shù)據(jù)庫僅包含蛋白質(zhì)在特定條件下的單一結(jié)構(gòu)，而動態(tài)結(jié)構(gòu)數(shù)據(jù)庫則能夠記錄蛋白質(zhì)在不同狀態(tài)下的構(gòu)象變化、能量狀態(tài)及其與其他分子的相互作用。這種轉(zhuǎn)變不僅能更全面地反映蛋白質(zhì)的生物學(xué)功能，還能為藥物發(fā)現(xiàn)和分子設(shè)計提供更有價值的數(shù)據(jù)支持。
分子動力學(xué)模擬是構(gòu)建此類動態(tài)數(shù)據(jù)庫的關(guān)鍵工具。通過模擬原子間的相互作用力，分子動力學(xué)模擬能夠在納秒到微秒的時間尺度上追蹤蛋白質(zhì)的運動軌跡，從而捕捉其構(gòu)象變化。為了確保模擬結(jié)果的準確性，還需結(jié)合實驗技術(shù)（如核磁共振、冷凍電子顯微鏡）進行驗證。例如，核磁共振可以提供溶液中蛋白質(zhì)的結(jié)構(gòu)信息，而冷凍電子顯微鏡則適用于觀察較大蛋白質(zhì)復(fù)合物的結(jié)構(gòu)細節(jié)。
例如，復(fù)旦大學(xué)研究團隊創(chuàng)建的Dynamic PDB數(shù)據(jù)集，通過模擬捕捉了約12,600個蛋白質(zhì)的構(gòu)象變化，并提供了包括原子速度、力、勢能和動能等物理屬性的全面信息，為研究提供了寶貴的數(shù)據(jù)支持。該數(shù)據(jù)集提供了精細的時間采樣間隔（1皮秒），能夠捕捉更詳細的蛋白質(zhì)動態(tài)路徑，有助于研究者更全面地理解蛋白質(zhì)的重要構(gòu)象變化。
數(shù)據(jù)積累：打造規(guī)�；�、高質(zhì)量的蛋白質(zhì)動態(tài)結(jié)構(gòu)數(shù)據(jù)庫
AlphaFold之所以能在蛋白質(zhì)靜態(tài)結(jié)構(gòu)預(yù)測領(lǐng)域取得顯著進展，主要得益于超過20萬套蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)和上億條蛋白質(zhì)序列的支持。這些豐富的數(shù)據(jù)資源為人工智能模型的訓(xùn)練和優(yōu)化奠定了堅實的基礎(chǔ)。然而，如果我們的動態(tài)結(jié)構(gòu)數(shù)據(jù)庫在規(guī)模和多樣性上有所欠缺，則難以全面捕捉蛋白質(zhì)復(fù)雜的動態(tài)變化。因此，構(gòu)建一個規(guī)模至少與AlphaFold相當(dāng)，甚至更大的蛋白質(zhì)動態(tài)結(jié)構(gòu)數(shù)據(jù)庫是實現(xiàn)進一步突破的關(guān)鍵。
構(gòu)建大規(guī)模、高質(zhì)量、多維度的動態(tài)結(jié)構(gòu)數(shù)據(jù)庫的核心在于實現(xiàn)動態(tài)數(shù)據(jù)的多維度采集和持續(xù)積累。分子動力學(xué)模擬可以提供關(guān)于蛋白質(zhì)動態(tài)行為的原子級別信息，是理解蛋白質(zhì)動態(tài)的重要工具。同時，為了更全面地捕捉蛋白質(zhì)在其復(fù)雜生物環(huán)境中的動態(tài)變化，我們需要整合多種互補的實驗方法。其中，高通量蛋白質(zhì)組學(xué)技術(shù)，例如數(shù)據(jù)非依賴型采集（DIA）質(zhì)譜分析，能夠快速且準確地鑒定并定量細胞和組織中的數(shù)千種蛋白質(zhì)，為構(gòu)建大規(guī)模動態(tài)結(jié)構(gòu)數(shù)據(jù)庫提供海量且高質(zhì)量的實驗數(shù)據(jù)，并逐步實現(xiàn)深度覆蓋。 此外，通過構(gòu)建和分析動態(tài)蛋白質(zhì)網(wǎng)絡(luò)，可以深入探索蛋白質(zhì)在不同生物過程中的調(diào)控機制。這些網(wǎng)絡(luò)揭示了蛋白質(zhì)間相互作用的時間和空間動態(tài)變化，為進一步研究提供了重要線索。
同時，確保數(shù)據(jù)質(zhì)量至關(guān)重要，這需要嚴格進行實驗驗證、數(shù)據(jù)標(biāo)準化和整合，以保證數(shù)據(jù)的準確性、一致性和可用性。只有這樣，才能為AI模型的訓(xùn)練和優(yōu)化提供更全面、更可靠的數(shù)據(jù)基礎(chǔ)，從而推動蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域的創(chuàng)新和發(fā)展。
研發(fā)范式：“計算+實驗”，加速AI在蛋白質(zhì)結(jié)構(gòu)預(yù)測中的應(yīng)用
在完成動態(tài)數(shù)據(jù)積累后，為了更準確地預(yù)測蛋白質(zhì)的動態(tài)結(jié)構(gòu)和功能，我們可以借助“計算+實驗”的新型研發(fā)范式，加速人工智能在蛋白質(zhì)結(jié)構(gòu)預(yù)測領(lǐng)域的應(yīng)用。
“計算+實驗”方法利用計算機科學(xué)、數(shù)學(xué)模型和算法預(yù)測和分析實驗結(jié)果，從而在實驗設(shè)計、數(shù)據(jù)分析和結(jié)果驗證中提供支持。這種方法尤其適用于復(fù)雜系統(tǒng)的分析與優(yōu)化，特別是在生命科學(xué)和藥物研發(fā)領(lǐng)域。通過AI進行初步預(yù)測、分子動力學(xué)模擬驗證與優(yōu)化，并借助實驗技術(shù)進行進一步驗證，形成了一個持續(xù)的反饋閉環(huán)，不斷改進模型并提高預(yù)測精度。
具體而言，AI可以用于對蛋白質(zhì)結(jié)構(gòu)進行初步預(yù)測，而分子動力學(xué)模擬則用于驗證和優(yōu)化這些預(yù)測結(jié)果。通過這種方式，模擬結(jié)果不僅能夠反饋至AI模型改進其算法，還能通過實驗技術(shù)（如冷凍電子顯微鏡、核磁共振等）進行驗證，將實驗數(shù)據(jù)納入訓(xùn)練數(shù)據(jù)集，從而增強AI模型的泛化能力。
美國人工智能制藥公司Relay Therapeutics的案例驗證了這一方法的有效性。Relay利用第二代安騰超級計算機進行長時間的分子動力學(xué)模擬，將傳統(tǒng)的靜態(tài)結(jié)構(gòu)基礎(chǔ)藥物設(shè)計升級為動態(tài)運動基礎(chǔ)的藥物設(shè)計，從而觀察到生物學(xué)相關(guān)的蛋白質(zhì)運動，并結(jié)合冷凍電子顯微鏡和 X 射線晶體學(xué)等實驗技術(shù)驗證和優(yōu)化模擬結(jié)果。通過對FGFR2激酶的詳細分析，他們發(fā)現(xiàn)了此前未知的口袋結(jié)構(gòu)，深入理解了靶點蛋白的運動及其與功能之間的關(guān)系。最終，Relay在18個月內(nèi)以低于1億美元的成本成功研發(fā)出治療膽管癌的新藥RLY-4008，突破了傳統(tǒng)藥物研發(fā)中的“10億美元、10年周期”的行業(yè)瓶頸。
可見，在超算安騰的支持下，基于“計算+實驗”研發(fā)范式，分子動力學(xué)模擬所提供的動態(tài)數(shù)據(jù)精度已接近實驗精度，為推動蛋白質(zhì)結(jié)構(gòu)預(yù)測和藥物研發(fā)開辟了新的可能性。
當(dāng)下，中國式創(chuàng)新模式已經(jīng)被海外科技圈認可。Uber優(yōu)步的創(chuàng)始人特拉維斯Travis Kalanick最近在參加All In播客節(jié)目時，談到了他對中國式創(chuàng)新的理解，當(dāng)時Uber在中國推出的任何新功能都能被滴滴等對手以“史詩般的強度”來復(fù)制，但隨著時間推移，滴滴在本地化服務(wù)、支付整合等方面進行了創(chuàng)新，最終在某些方面超越了Uber，成為行業(yè)的領(lǐng)導(dǎo)者。展望未來，我們有理由相信，在不久的將來，各行各業(yè)將會涌現(xiàn)出更多具有中國特色的創(chuàng)新模式。
