强化学习，不仅仅能被用于棋类和 MOBA 游戏中，也能被用来应对来自分子生物学的挑战。今天，蛋白质设计大神、华盛顿大学生物化学教授 David Baker 团队及其合作者，将强化学习带入蛋白质设计，开发了一款功能强大的新型蛋白质设计软件。实验结果显示，由这种新方法合成的蛋白质能更有效地在小鼠体内产生有用抗体，这一突破可能很快就会帮助科学家设计出更有效的疫苗。
据介绍，从开发更有效的癌症疗法到创造新的可生物降解纺织品，这种方法的潜在的应用是巨大的。研究团队表示，这项研究是利用人工智能进行蛋白质科学研究的一个里程碑。更广泛地说，这种方法或将蛋白质设计带入一个新时代。
相关研究论文以“Top-down design of protein architectures with reinforcement learning”为题，已发表在科学期刊 Science 上。
“我们的研究结果表明，强化学习可以做的不仅仅是掌握棋盘游戏。当训练解决蛋白质科学中长期存在的难题时，该软件在创造有用的分子方面表现得很出色，” David Baker 说，“如果这种方法被应用到正确的研究问题上，它可以加速各种科学领域的进步。”
强化学习是一种机器学习类别，其中计算机程序通过尝试不同的动作和接收反馈来学习做出决策。在此次研究工作中，研究团队为开发一个用于蛋白质设计的强化学习程序，在计算机输入了数百万个简单的起始分子；然后，该软件进行了多次尝试，并随机改进每一次，以达到预定的目标。在这一过程中，计算机以特定的方式延长或弯曲蛋白质，直到学会如何将它们扭曲成想要的形状。
我们的方法是独一无二的，因为我们使用强化学习来解决创造蛋白质形状的问题，”该论文的共同一作、华盛顿大学博士生 Isaac Lutz 说，“使用以前的方法是不可能做到的，这一方法有可能改变我们可以构建的分子类型。
作为这项研究的一部分，研究团队在实验室里制造了数百种由人工智能设计的蛋白质。通过使用电子显微镜和其他仪器，他们证实了许多由计算机创建的蛋白质形状确实在实验室里实现了。对此，该论文的共同一作、共同通讯作者、华盛顿大学博士后 Shunzhi Wang 表示，“事实证明，这种方法不仅准确，而且还可以高度定制。
研究团队表示，这种方可以使他们和其他人创造出治疗性蛋白质、疫苗和其他用以前的方法无法制造出来的分子。此外，研究团队使用血管细胞的原代细胞模型证明，设计的蛋白质支架也优于先前的技术版本。例如，由于帮助细胞接收和解释信号的受体更密集地聚集在更紧凑的支架上，它们在促进血管稳定性方面更有效。
另外，研究团队表示，该研究也同样会对再生医学产生重要影响。例如，这项技术越精确，就越能开辟潜在的应用，包括糖尿病、脑损伤、中风和其他血管有风险的病例的血管治疗。我们还可以想象，更精确地传递人体用来将干细胞分化成各种细胞类型的因子，从而发现细胞发育和衰老过程的新方法。