伽利略曾認(rèn)為自然是用數(shù)學(xué)書寫，而生物學(xué)可能是用文字來書寫。自然語言處理（下文簡稱 NLP）算法現(xiàn)在能夠生成蛋白質(zhì)序列，并預(yù)測(cè)病毒突變、包括預(yù)測(cè)能幫助新冠病毒躲避免疫系統(tǒng)攻擊的關(guān)鍵突變。

上述之所以能實(shí)現(xiàn)，得益于一重要洞見，即生物系統(tǒng)許多特性可以用單詞和句子來解釋。麻省理工學(xué)院計(jì)算生物學(xué)家邦妮·伯格說：“我們正在學(xué)習(xí)進(jìn)化的語言?！?/p>

過去幾年里，遺傳學(xué)家喬治·丘奇的實(shí)驗(yàn)室團(tuán)隊(duì)、Salesforce 團(tuán)隊(duì)等研究人員已經(jīng)證明，蛋白質(zhì)序列和遺傳密碼可以使用 NLP 技術(shù)建模。

最近，伯格及其同事的研究發(fā)表于《科學(xué)》雜志。在研究中，伯格等人將幾種毒株集合在一起，利用 NLP 來預(yù)測(cè)能幫助病毒躲避人體免疫系統(tǒng)抗體的突變。病毒躲過抗體稱作“病毒免疫逃逸”，該研究的基本觀點(diǎn)認(rèn)為，免疫系統(tǒng)解讀病毒類似于人類解讀句子。

Salesforce 科學(xué)家阿里·馬達(dá)尼正利用 NLP 預(yù)測(cè)蛋白質(zhì)序列，他說：“論文寫得很好，延續(xù)之前工作的發(fā)展勢(shì)頭?！?/p>

伯格團(tuán)隊(duì)使用了語法和語義（或稱意義）這兩種語言學(xué)概念，病毒感染宿主的能力等遺傳或進(jìn)化適應(yīng)性特征，可從語法正確程度的角度來解讀。病毒傳染性強(qiáng)，在語法層面為正確；病毒傳染性不強(qiáng)，則為不正確。

同樣，病毒突變可以用語義來解釋。比如，病毒表面蛋白質(zhì)突變，某些抗體便無法發(fā)現(xiàn)病毒，像這樣導(dǎo)致病毒在環(huán)境中與其它事物區(qū)分開來的變異，便是改變了病毒的語義。病毒突變可以有不同語義，而每一種有自身語義的病毒可能需要不同抗體來解讀。

為建立這些特性的模型，研究人員使用了 LSTM 神經(jīng)網(wǎng)絡(luò)，LSTM 誕生在基于變形金剛的神經(jīng)網(wǎng)絡(luò)出現(xiàn)之前，后者現(xiàn)為 GPT-3 等大型語言模型所使用。LSTM 等存在較久的網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)比變形金剛少得多，并且在許多應(yīng)用中仍然表現(xiàn)良好。

研究人員不是用數(shù)百萬個(gè)句子，而是利用取自三種病毒的數(shù)千個(gè)基因序列訓(xùn)練 NLP 模型。這些序列為流感病毒株的 4.5 萬個(gè)獨(dú)特序列、HIV 病毒株的 6 萬個(gè)獨(dú)特序列、以及新冠病毒病毒株的 3000 到 4000 個(gè)獨(dú)特序列。麻省理工學(xué)院研究生布萊恩·希建立了模型。他說：“由于對(duì)新冠病毒的監(jiān)測(cè)較少，新冠病毒的數(shù)據(jù)較少?！?/p>

NLP 模型在數(shù)學(xué)空間中對(duì)單詞進(jìn)行編碼，單詞和單詞間若含義相近，距離會(huì)更近，反之，距離則更遠(yuǎn)。這一過程稱為“嵌入”。在病毒層面，基因序列的嵌入便是根據(jù)病毒突變的相似性，對(duì)病毒進(jìn)行分組。

該方法的總目標(biāo)，是識(shí)別那些可能幫助病毒逃逸免疫系統(tǒng)、且不降低病毒傳染性的突變，也就是說要識(shí)別那些改變病毒含義、而又不導(dǎo)致病毒語法錯(cuò)誤的突變。為測(cè)試模型，研究團(tuán)隊(duì)使用評(píng)估機(jī)器學(xué)習(xí)模型所做預(yù)測(cè)的通用度量標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)給精確度打分的區(qū)間為 0.5（相當(dāng)于意外發(fā)生的概率）到1（完美）。

研究中，研究人員采用由模型識(shí)別、最有可能出現(xiàn)的突變，并在實(shí)驗(yàn)室中利用病毒，檢查這些突變中有多少確實(shí)是會(huì)幫助病毒逃逸免疫的突變。精確度分?jǐn)?shù)最低值為針對(duì) HIV 病毒株的預(yù)測(cè)結(jié)果精確度，為 0.69；最高值為針對(duì)新冠病毒病毒株的預(yù)測(cè)結(jié)果精確度，為 0.85。研究人員表示，實(shí)驗(yàn)結(jié)果比其他最先進(jìn)模型的結(jié)果要好。

預(yù)先警告

知道可能會(huì)有哪些突變，醫(yī)院和公共衛(wèi)生當(dāng)局便更容易提前計(jì)劃。例如，要模型顯示出某種流感病毒的語義自 2020 年以來發(fā)生了多大變化，就能預(yù)計(jì)人們已經(jīng)產(chǎn)生的抗體在今年會(huì)發(fā)揮多大作用。

該研究團(tuán)隊(duì)表示，正在根據(jù)新冠病毒新變種運(yùn)行模型。針對(duì)的新變種包括英國出現(xiàn)的變異病毒、丹麥水貂體內(nèi)出現(xiàn)的變異病毒、以及南非、新加坡和馬來西亞出現(xiàn)的變異病毒。研究人員已經(jīng)發(fā)現(xiàn)，這些變異病毒免疫逃逸潛力可能很高，但尚未在實(shí)驗(yàn)室外進(jìn)行測(cè)試。

不過，模型沒有預(yù)測(cè)到南非變異病毒出現(xiàn)的一種變異。人們已經(jīng)開始擔(dān)心，這種變異可能幫助病毒躲避疫苗接種，目前研究人員正在嘗試探明原因。伯格說：“南非變異病毒里包含多個(gè)突變，我們認(rèn)為，這些突變組合起來產(chǎn)生的效應(yīng)可能會(huì)導(dǎo)致免疫逃逸?！?/p>

使用 NLP 可以加速原本緩慢的研究進(jìn)程，以前是從醫(yī)院里一名新冠患者身上提取病毒、測(cè)序基因組，并在實(shí)驗(yàn)室里重新創(chuàng)造和研究相應(yīng)突變。項(xiàng)目研究人員麻省理工學(xué)院生物學(xué)家布賴恩·布萊森說，以前的做法可能需要幾周時(shí)間，NLP 模型可以直接預(yù)測(cè)潛在突變，實(shí)驗(yàn)室研究便找到重點(diǎn)、工作速度也加快。

布萊森說：“整個(gè)工作很大開眼界。”每周都有新病毒序列。布萊森說：“一邊更新模型，一邊跑去實(shí)驗(yàn)室進(jìn)行實(shí)驗(yàn)測(cè)試，很奇妙。計(jì)算生物學(xué)好就好在這。”

但這也只是開始。將基因突變視為語義變化，可以在生物學(xué)中有不同應(yīng)用。布萊森說：“一個(gè)好類比，能起很大作用?！?/p>

例如，希認(rèn)為研究團(tuán)隊(duì)的方法可以應(yīng)用于研究抗藥性。希說，“比如癌細(xì)胞蛋白質(zhì)對(duì)化療產(chǎn)生耐藥性、或者細(xì)菌蛋白質(zhì)對(duì)抗生素產(chǎn)生耐藥性”，這些變異也可以看作是意義上出現(xiàn)變化，“我們解讀語言模型，可以有很多創(chuàng)意?！?/p>

馬達(dá)尼說：“我認(rèn)為，生物學(xué)正處在革命邊緣。我們不再僅僅收集大量數(shù)據(jù)，而正在轉(zhuǎn)向?qū)W習(xí)如何深入理解數(shù)據(jù)?！?/p>

總體來說，研究人員正在關(guān)注 NLP 的發(fā)展，同時(shí)發(fā)掘語言和生物學(xué)之間的新類比，來利用NLP取得的進(jìn)步。不過，布萊森、伯格和希都認(rèn)為，生物學(xué)和 NLP 算法交叉可以是雙向，即新 NLP 算法受生物學(xué)概念啟發(fā)而誕生。伯格說：“生物學(xué)有自己的語言。”
責(zé)任編輯：lq6