业界首创AI MSA引擎，让所有人都能做蛋白质结构预测

前言

蛋白质结构预测是获得蛋白质功能结构和构象的过程，近半个世纪以来，这一问题一直被誉为“21世纪的生物物理学”最重要的课题之一。

在过去，因蛋白质构象数量巨大，计算过程复杂，通过AI来对蛋白质结构进行预测一直未能取得实质性突破，获取蛋白质空间结构的方法仍然以冷冻电镜、X-ray等实验技术为主，单个蛋白质的观测成本高达数月及数百万人民币。

直至AlphaFold 2的出现，使得这一问题迎来新的曙光。AlphaFold 2凭借其接近实验精度的成绩取得CASP14蛋白质空间结构预测比赛的榜首，这一成就也被Nature誉为“前所未有的进步”。

2021年7月DeepMind团队宣布对AlphaFold 2的推理源代码进行开源，华为与北京昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤课题组第一时间对其进行了复现及优化，并于同年11月开源了基于昇思MindSpore的推理工具，效率同比提升2-3倍。

日前，华为与北京昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组，在全场景AI框架昇思MindSpore上推出全流程蛋白质结构预测工具MEGA-Protein。

一 AlphaFold 2的缺陷

为了满足预测精度，AlphaFold 2必须引入多序列比对的信息。MSA的数量决定了AlphaFold 2的预测精度，因此AlphaFold 2有着自己的缺陷：

1 自然界中的「孤儿序列」以及人造序列存在着缺少MSA或没有MSA的情况，导致AlphaFold 2等模型对相关的结构预测准确度大幅下降。

2 AlphaFold 2等标准检索 MSA 流程，数据库规模大，搜索时间长，不利于展开研究。

二 AI MSA引擎

昇思MindSpore社区与昌平实验室、北京大学生物医学前沿创新中心（BIOPIC）和化学与分子工程学院、深圳湾实验室高毅勤教授课题组新提出的AI MSA引擎具有如下几个优势：

1 对于原始MSA质量不高或者数量少的蛋白，将AI MSA引擎接入AlphaFold 2后可以明显改善结构预测的质量。

2 端到端推理性能大幅提升，训练完成的AI MSA引擎不需要额外配置数据库。

3 AI MSA引擎是一种对下游结构模型普适的预训练方案，可直接接入下游结构预测模型。

三 昇思MindSpore AI框架

AI MSA引擎训练参数量，数据量巨大，训练要求高，昇思MindSpore AI框架充分发挥以下优势，支撑完成AI MSA引擎的训练。

1 昇思MindSpore在昇腾AI基础软硬件平台上与昇腾CANN深度结合，通过深度协同优化的高性能算子库，充分释放硬件的算力。

2 昇思MindSpore采用了多段并行流水线的方式来构建数据处理pipeline，大幅提高了数据处理过程的吞吐量。

3 昇思MindSpore支持大集群高效训练，实现了优质的计算通信比，通过三层AI分布式编程范式，大幅提升分布式并行程序开发效率。

4 全流程蛋白质结构预测工具MEGA-Protein

MEGA-Protein包含AI MSA引擎、蛋白质折叠训练推理流程、蛋白质结构打分、蛋白质结构预测数据集PSP等关键技术，能够高精度高性能地预测蛋白质结构和功能，其中AI MSA引擎能够在MSA少样本甚至零样本的情况下，帮助AlphaFold 2等模型维持甚至提高推理精度，有效突破了AlphaFold 2的缺陷。

这是在实现AlphaFold 2从训练到推理全流程打通且效率同比提升2至3倍后，取得的又一次成功。

8月11至15日，昇思MindSpore社区举办第二季「MindSpore SPONGE暑期学校」。

14位国内知名专家全程手把手授课，覆盖典型蛋白结构预测模型、结构预测模型训练等内容。

我们希望MindSpore SPONGE被更多的老师，学生和业界开发者使用，并吸引到更多的开发者加入社区共同开发，丰富MindSpore SPONGE套件，共同探索开源科学软件的未来。