据西班牙《趣味》月刊网站7月16日报道，人工智能正在悄然改变分子层面的生命研究。数据科学与生物学的结合标志着生物医学研究新时代正式开启。

生物物理学是一门从物理学角度和方法研究生物学，以便理解生物系统如何运作的科学。它是最早采用跨学科方法的科学之一，结合了物理学、化学和生物学来研究生物体。

当计算机科学被引入这一跨学科方法时，计算生物物理学应运而生，这一分支能够以极高的精度对生物系统进行模拟和数学建模。此外，计算机工具的使用使我们能够在宏观、分子或量子层面研究生物体，这是单纯的试验研究无法达到的规模和精细水平。

因此，计算生物物理学为创建描述生物系统中化学和动态相互作用的模型提供了便利，使得能够对分子行为作出预测。这一学科有一些基础研究领域，包括用于研究蛋白质运动、折叠或相互作用的分子动力学；涉及细胞膜结构和功能研究的生物膜建模；包括细胞信号传导网络在内的生物化学和代谢网络研究等。

因此，计算生物物理学需要获取、研究和整合大量数据。然而，以高效的方式解读数据超出了人类能力或传统方法的范畴。于是，人工智能在该领域的应用日益常见。

凭借检测复杂模式和从以往示例中学习的能力，人工智能已经成为加速探索和从实验及计算数据中提取知识的强大助手。因此，将人工智能纳入计算生物物理学意味着可以在分子层面上更好地理解生物系统功能的重大进展。

人工智能是信息科学的一个分支，旨在自动化执行通常需要人类智慧才能完成的任务，例如图像识别、语言理解、决策或从经验中学习。人工智能始终都需要大量数据和足够的计算能力来训练模型、识别模型、进行预测，甚至生成新的解决方案。

人工智能也分为多个分支，但在科学领域应用最广泛的是机器学习和深度学习。机器学习使得算法在无需明确编程的情况下从大量数据中自主学习，发现模式并对新数据进行预测。机器学习可以根据生物物理参数对蛋白质的结构类型进行分类。该模型不具备记忆能力，只能检测数据中的潜在模式。

其次，深度学习则使用受人脑功能启发的深度人工神经网络。神经网络是由简单神经网络或深度神经网络组成的数学模型。深度神经网络可以对每一层信息进行处理并将其传输到下一层，从而实现更复杂的模式识别。深度学习比机器学习更强大，可以用来识别、计数和分析图像中的细胞。

机器学习和深度学习在计算生物物理学领域日益普及，推动了生物物理学多个领域取得重大进展。例如，人工智能改进了分子结构的预测、药物和生物分子的设计过程、分子模拟的自动化分析和加速，以及复杂过程的模拟等。

●分子结构预测

蛋白质由氨基酸序列组成，这使它们能够折叠并形成三维结构。这种三维结构通常与蛋白质的功能密切相关。因此，确定蛋白质分子的三维机构对于理解疾病、设计药物或修改生物功能至关重要。

这项任务通常借助实验技术完成，例如X射线晶体学、核磁共振或冷冻电镜等。这些过程既缓慢又昂贵。随着人工智能技术的发展，一切都发生了变化。2020年，“深层思维”公司开发的“阿尔法折叠”程序改变了游戏规则，证明了人工智能可以根据蛋白质的序列预测出三维结构，这主要得益于深度学习的神经网络。

●药物和生物分子分类

在药物的设计过程中，采用的其中一种策略是识别能够与目标蛋白质具有高度亲和性和精准度的新分子。第一步是通过强大的计算能力对大量分子进行计算分析，在虚拟筛选阶段之后，选出最有潜力的分子，然后进行合成和实验评估。这种方法可以高效地探索广阔的化学空间，显著减少每个候选药物实验测试所需的时间和成本。

借助人工智能，可以更快、更精准地识别治疗性化合物，具有更好的成本效益比，为个性化医疗和复杂疾病治疗开辟新的可能性。

●自动化分析和加速分子模拟

在计算生物物理学中，人工智能在分子模拟领域的应用是最具前景的领域之一。分子模拟是计算机模型，用于研究原子和分子的行为和运动。这种模拟可以用来观察分子的原子层面上的相互作用、探索结构转变、研究细胞膜的结构与动态。

因此，机器学习和深度学习能够以更高的精度、更少的时间计算出分子系统的能量，分析模拟产生的大量信息，甚至为那些仅具有序列信息的蛋白质生成预测模型和分类模型。

●生物分子和生物工程的再设计

人工智能也在生物分子设计和生物工程领域开辟了新的边界，使得创建具有改进功能甚至从零开始的蛋白质或细胞系统成为可能。此外，人工智能还能创建在自然界中不存在的新型蛋白质或基因分子。

人工智能给计算生物物理学领域带来了诸多改进。主要优势包括加速整个进程，能够探索多种结构和分子以及通过计算模型预测结果，从而减少实验失败的几率。此外，它还能模拟在实验室中难以重现的实验条件。此外，人工智能还能发现实验数据中的模式，将流程实现自动化处理，助力个性化治疗。

另一大优势在于具备提出非传统解决方案的能力，这样的解决方案不受人类直觉或经验的限制。正因为不受认知限制，它可以发现隐藏的模式并探索可能被人类忽视的创新方法。

但是，将人工智能应用于计算生物物理学也并非没有挑战。首先，人工智能模型依赖于数据的数量和质量，任何偏差和错误都可能导致错误的预测。此外，解读人工智能模型也是一项挑战。最后，必须认识到人工智能算法是模型，需要通过实验验证其结果的正确性。

与此同时，需要指出的是人工智能的使用对环境造成了相当大的影响。人工智能运行依赖于大量能源基础设施，这些能源既用于为服务器供电，也用于冷却服务器。因此，这项技术远非真正可持续或环保的选择。

总之，人工智能的引入彻底改变了计算生物物理学，代表了我们在研究生物系统方法上最重大的变革之一。然而，为了使这场变革充分发挥其潜力，有必要继续推动跨学科方法、确保数据质量并开发可解释的模型并进行实验验证。人类智能、人工智能和严谨实验的结合对于从新的计算角度理解生命的复杂性至关重要。（编译/王萌）