视频内容
前言
这是AlphaFold2了，因为之前有一篇了，不要搞错
早在论文发表的5个月前，就已经写了博客，虽然文章还没写
同一天，2021 July 15，来自另一个团队也宣布了自己的工作RoseTTAFold，也是用深度神经网络来进行蛋白质结构的预测，将发表在科学杂志上面，同样上了封面！
所以基本上可以认为两个团队同时发表了文章，我们知道，在科学领域，谁先出来谁后出来当然是不一样的，先出来的人拿到了最大的荣耀。所以科学家也会不日不夜地第一时间将自己的工作做出来，在这一点上科学领域卷得不比人工智能领域差！
两篇工作同一天发表出来，我们多少见证了历史。
作者和大纲
长达50页的补充材料
摘要
- 蛋白质的结构预测：给你一串氨基酸的序列，然后预测它的3D结构长什么样子
- 接下来讲预测困难：已经知道10w左右的蛋白质结构，然后已知的有10亿种，所以目前了解的还是很少
- AlphaFold2预测精度在原子量级
- 这是一类应用型文章，主要目的是用机器学习这个工具解决这个领域重要的问题，你关心的是两点：1.什么样的问题，这个问题重不重要，对这个领域来说有什么意义；2.结果好坏，是不是解决了这个问题。
- 具体来说你用的模型好坏并不重要
- 上nature的两个办法：
-
- 找一个新的问题，别人都没有用机器学习来做过，你把它变成一个机器学习的问题，收集数据，可能用简单的模型就行了
-
- 数据已经摆在那里了，而且举办过竞赛了，大家都做了很多办法。这时候你需要用很不一样，很强大的算法创新才行了
- AlphaFold2就是这么出来的
导论
摘要的扩充
讲了一下问题，讲了实验结果具体数字，没有讲太多的算法，所以我们看一下图就行了
第一张图讲实验结果
这里学习的点是：你怎样表述你的结果？（论文写作）
表述1：我比别人的结果好3倍，极大改善别人结果（×）
表述2：达到原子精度（√）
原因：表述是绝对值，是我们理解的常用概念。你说我的图片识别比别人好10%，不重要，我说我的图片识别比人类识别精度还要高，那听上去就有意思了。把你的结果换算成别人能理解的概念，而不是纯数字的概念。
模型（我们关心重点）
正文太短，需要补充材料
模型图
大概分为3部分
编码器
每个模块细节在补充材料里
既对每一行信息建模，也对每一列信息建模
我们知道具体在Transfomer里面，具体的信息提取还是靠MLP
投影到4倍的空间，再投影回去
紫色模块
这四个模块对氨基酸对之间的关系建模，先看红色块
接下来看黄色的模块
细节看是复杂的，从整体看符合Transformer编码器块架构
通过自注意力模块来对每个元素之间的关系建模，然后通过一个全连接层进行信息的转换
不同的是，输入里面既有行的信息，又有列的信息，所以这些模块都是成对成对出现的（分别处理行和列），然后我们有两个输入，分别表示氨基酸在一个序列中的信息和氨基酸对之间的信息，需要做一些信息的传递，使得这两块能够做信息的融合，这就是对编码器的讲解。
读后感，奇思妙想？
-
蛋白质三维结构类似点云？ 借鉴方法？
-
细节看是复杂的，从整体看符合Transformer编码器块架构
通过自注意力模块来对每个元素之间的关系建模，然后通过一个全连接层进行信息的转换
不同的是，输入里面既有行的信息，又有列的信息，所以这些模块都是成对成对出现的（分别处理行和列），然后我们有两个输入，分别表示氨基酸在一个序列中的信息和氨基酸对之间的信息，需要做一些信息的传递，使得这两块能够做信息的融合，这就是对编码器的讲解。