本系列给同学们推送的是经济学人读译参考文章，大家可以尝试翻译一下，，不仅对考研英语的阅读理解有所帮助，还能提高翻译水平。记得和研友们分享哦，欢迎持续关注~
一种比较普通的蛋白质接触预测就是，如果一对氨基酸的一个侧链折叠后很长，那么里一个侧链就会很短，反之亦然。换句话说，两个氨基酸侧链的总长度是恒定的。只知道一个蛋白质中氨基酸的排列顺序没有太大用处。不过基因组学最近的进展表示，现在许多不同的DNA的顺序是可以获取的。因为DNA编码生物体蛋白质中氨基酸的顺序，那么这些的蛋白质的组成也就可以获悉。这意味着，功能相同，但属于近缘的，在组成上稍有不同的蛋白质，可以进行比较。
最新版本的Rosetta所做的就是寻找蛋白质的相关变异。（比如:在这个例子中，沿着蛋白质链长度方向的两个地方，如果一个氨基酸的侧链变短了，另一个氨基酸的侧链就会变长）。用这种方法可以辨别紧密接触的折叠氨基酸的结构。虽然现在是初期阶段，不过这个方法还是有用的。Baker博士近期所建立的614种蛋白质模型中，没有被晶体学或者磁共振所的，但是之前的58个模型中有6个被。在每一个模型中，预测的蛋白质结构与实际蛋白质的结构相差无几。
此外，应用最新版本的Rosetta对已知结构的81个蛋白质进行“追算”，结果表明，蛋白质接触预测的蛋白质结构都是正确。然而它是有局限性的。已熟知的，并且适用这种方法的基因组中，有88000种属于地球上最多的-细菌。仅仅有4000中属于真核生物，生命的另一种形式。它是由复杂的细胞组成，有动物、植物、真菌。然而，在这个大家族中，没有足够多的与人类具有亲缘关系的，所以无法研究相关变异，而这是 Baker博士的方法所需要的条件。
对于这个问题，其他人认为他们有解决方法。他们尝试扩展蛋白质接触预测的范围，在一条链中寻找不止2个氨基酸的相互关系。这将会减少结构上不同的相关蛋白质的数目，并可能因此将人类蛋白质引入技术范围内。但是如果这么做的话，就需要一个不同的计算方法。
想要尝试的人正在对以深度学习为人熟知的人工智能的分支技术进行检测。深度学习采用一些称为人工神经网络的软件来搜寻其他的模式。它是图像和语音识别程序的基础，也是最近在围棋和纸牌游戏中打败人类冠军的游戏程序的基础。
哥伦比亚的的大学的程建林最先把深度学习应用到这个方面。他说，这个程序能够找到三个、四个或者更多氨基酸之间的相互关性。并且需要更少的相关的蛋白质来预测其结构。丰田技术研究所的徐金波声称现在已经达到这种技术水平。他和他同事在一月份将这一方法发表在《PLOS计算生物学》上，现处于测试阶段。
对于蛋白质折叠，如果深度学习的方法达到了预期的效果，那么已知蛋白质结构的数目应该会迅速增加。更为重要的是，对人类蛋白质结构的了解也会增加。对于制药公司来说将会有即时的好处。这也将会帮助生物学家更好的理解细胞的基本功能。如此一来，意味着水平的研究真正开始了。
推荐：