新智元报道

编辑：KingHZ YHluck

【新智元导读】AlphaFold夺诺奖引争议！2016年，一位博士生在NeurIPS提出的研究，或许正是AlphaFold的「原型」。现在，导师Daniel Cremers发声，诘责为何DeepMind忽略这项研究、不加以引用？

AlphaFold因获得诺奖而声名大噪。

在大大都情形下，AlphaFold 2的展望精度险些可与X射线晶体学相媲美，令人震撼。

生物化学界一连了半个世纪的难题，终于被攻克。

但2016年，Vladimir Golkov博士在NeurIPS大会上就提出，使用深度神经网络从共进化数据中直接展望卵白质接触图。

在CASP 11测试中，这套要领优于其时其他的所有要领，堪称AlphaFold的「原型」。

最近，慕尼黑机械学习中心主任、慕尼黑工业大学教授Daniel Cremers体现他们团队为AlphaFold获得诺贝尔奖涤讪了基础。

现在，Daniel Cremers发问：为何历史上这块涤讪石被忽视了？

我们来一探事实。

AlphaFold雏形

着实2016年就已泛起

在2018年12月，在第13届卵白质结构展望要害评估CASP（Critical Assessment of protein Structure Prediction）中，AlphaFold 1惊艳亮相，排名第一。

2020年11月，AlphaFold 2在CASP上，大放异彩，中位分数为92.4，靠近满分100分；2024年5月8日，AlphaFold 3宣布。

但早在2016年AI顶会NeurIPS上，Vladimir Golkov就卵白质展望作了全会报告。

其时提出的要领论包括：

针对目的氨基酸序列，挪用已知三维结构的序列数据库

接纳隐马尔可夫模子（HMM）举行多序列比对以识别同源序列

盘算突变对共进化统计量

训练深度神经网络直接从原始共进化数据展望卵白质接触图

在CASP11数据集上的系统评估批注，该要领在精度和速率上均显著逾越其时最优手艺

这项研究汇聚了深度学习与卵白质展望领域的多位先驱，包括Thomas Brox、Alexey Dosovitskiy和Jens Meiler等相助者。

论文链接：https://papers.nips.cc/paper_files/paper/2016/file/2cad8fa47bbef282badbb8de5374b894-Paper.pdf

值得玩味的是，在报告最后，Vladimir已预见性地指出：「架构优化与Scaling将进一步提升性能」——

这与AlphaFold团队的后续突破不约而同。

至于未被引用的缘故原由，至今尚无定论。

可寓目Vladimir昔时20分钟的报告，相识更多卵白质展望的完整生长脉络：

2024年， Demis?Hassabis（下图左）和John?Jumper（下图右）因卵白质结构展望的孝顺，荣获诺贝尔化学奖。

诺贝尔奖委员先容了AlphaFold 2的事情原理，大致如下：

序列比对：系统从数据库中寻找与输入序列相似的卵白质，这些序列可能来自差别物种。通过比对，程序展现了氨基酸之间的潜在联系。例如，当某个位置突变时，可能与另一个位置的转变相关。

距离图天生：基于序列比对中的相关性信息，程序天生一个距离图，显示氨基酸在空间中的相对距离。

三维结构展望：程序将距离图转换为三维结构，最终以高精度展望卵白质的形状。

AlphaFold 2的事情原理示意图

Daniel Cremers以为所谓AlphaFold的焦点手艺思绪，着实早已完整泛起在他们2016年的论文中。

他感受诺贝尔奖委员会可能遗漏了他们的涤讪性事情。

对此，AlphaFold 1焦点团队成员Hugo Penedone提供了AlphaFold降生初期的一些历史细节。

DeepMind的诺奖，真的忽视了前人的孝顺？

AlphaFold 1初始团队的成员Hugo Penedone则还原了DeepMind的开发时间线。

2015年7月–2019年8月，Hugo Penedone在谷歌DeepMind事情，从事深度学习与强化学习的应用研究

据他回忆，约莫在2016年3月，DeepMind启动了AlphaFold 1，因由是在一次内部黑客马拉松Hackathon上，实验将深度强化学习和优化算法应用于FoldIt游戏。

之后的几个月里，他们最先探索接触图（contact map）展望的可能性。

来自副溶血性弧菌（Vibrio parahaemolyticus）的卵白质VPA0982的卵白质接触图

由于在早期文献中，接触图已有相关看法，他们意识到，相较于直接展望整个卵白质结构，使用神经网络来展望接触图的准确率更高。

因此，他以为DeepMind可能在2016年也自力地提出了这个不错的思绪。

DeepMind的论文宣布远晚于2016年NeurIPS的相关研究，显然，他们应该在事情中引用这些前人的效果！

AI学术大佬怎么看？

针对此事，AI界今世最著名巨擘之一、Meta AI实验室灵魂人物Yann LeCun也表达了看法。

LeCun提到，1990年月的雪鸟钻研会（Snowbird Workshop）（ICLR的前身），使用机械学习举行生物信息学研究的整个想法就已降生。

其中，与会者包括Anders Krogh（哥本哈根大学教授）、Pierre Baldi（加州大学欧文分校教授）、Richard Durbin（剑桥大学遗传学教授）、David Haussler（加州大学圣克鲁兹分；蜃檠а芯克蒲ё芗啵┑热。

在AlphaFold之前，已有若干使用神经网络举行卵白质结构展望的研究事情。

LeCun直言，没有贬低「AlphaFold孝顺」的意思。

值得注重的是，最早在这个领域开展事情的是1990年月雪鸟钻研会与会者之一的加州大学欧文分校的Pierre Baldi。

他在2000年使用循环网络展望卵白质接触图。

论文地点：https://pubmed.ncbi.nlm.nih.gov/11120677/

论文地点：https://pubmed.ncbi.nlm.nih.gov/10871264/

论文地点：https://pubmed.ncbi.nlm.nih.gov/10869034/

远早于深度学习变得盛行之前。

LeCun一句话，引人深思：

好的想法很少凭空泛起。它们以某种方法撒播和刷新，有时甚至难以追溯其起源。

LeCun直言，同样，AlphaFold是一项具有重大影响力的特殊成绩，但并非伶仃的孝顺。

最早在这个领域开展事情的加州大学欧文分校教授Pierre Baldi也表达了看法。

Pierre Baldi谈到，深度学习在某种卵白质结构展望中的首次应用是在20世纪80年月。

其时，是由Qian和Sejnowski针对更简朴的卵白质二级结构展望问题开展的事情。

论文地点：https://pubmed.ncbi.nlm.nih.gov/3172241/

这样来看，用于展望接触图和卵白质结构的深度学习要领，确实比AlphaFold早了二十年。

梳理来看，仔细查阅文献就会发明，用于展望接触图的深度学习要领，对图神经网络的生长也起到了主要作用。

「早在DeepMind之前，这些要领还被用于学习怎样下围棋，而这一点DeepMind从未认可过。」Baldi指出。

Pierre Baldi直言不讳，「从久远来看，科学关乎真理与美。而在短期内，它是一项相当龌龊的人类事务。」

LeCun增补说道，「好的想法很少凭空泛起。它们以某种方法撒播和刷新，有时甚至难以追溯其起源。」

同样，AlphaFold是一项具有重大影响力的特殊成绩，但并非伶仃的孝顺。

AlphaFold的乐成虽然值得赞誉，但正本清源，厘清其手艺源流，更有助于明确AI在生命科学的深层逻辑和未来潜力。

当好的想法和研究推动社会生长时，希望更多人也能多关注焦点研究背后的故事与焦点人物。

正是他们的默默支付与耕作，才有了能与各人晤面的「事业」的降生，推动社会向好生长。

参考资料：

https://www.linkedin.com/feed/update/urn:li:activity:7345745870526541824/

https://www.linkedin.com/feed/update/urn:li:activity:7346665613387325442/

https://learn.microsoft.com/de-de/shows/neural-information-processing-systems-conference-nips-2016/protein-contact-prediction-from-amino-acid-co-evolution-using-convolutional-networks-graph-value

https://www.nobelprize.org/uploads/2024/11/fig2_ke_en_24-5.pdf