Нейросеть, которая не просто предсказывает, а хранит тайны белков экспресс
Огромная библиотека, где каждая книга — точная инструкция по сборке одной молекулы белка. Нейросеть AlphaFold2 прочитала миллионы таких книг и научилась мгновенно выдавать готовую трёхмерную модель. Но внутри этой сети, в самом её «мозгу», осталось нечто большее — не просто правила сборки, а целый атлас возможных движений белка, его скрытая жизнь.
Исследователи придумали способ заглянуть в этот атлас. Они взяли весовые тензоры (матрицы чисел, хранящие знания сети) блока Evoformer — ключевой части AlphaFold2 — и применили к ним свёртку с гауссовым размытием. Проще говоря, они чуть-чуть «расфокусировали» зрение сети, чтобы увидеть не одну чёткую картинку, а целый веер возможностей. Этот метод назвали нейронной спектроскопией.
Результат оказался поразительным. Для белка убиквитина такое «возмущение» показало, что его части разрываются ровно в том порядке, который десятилетиями выясняли в лабораторных экспериментах по сворачиванию.
Для белка KaiB, который умеет принимать две совершенно разные формы, все пять независимо обученных версий сети единогласно показали: вторую форму при возмущении получить не удаётся. А для альфа-синуклеина, связанного с болезнью Паркинсона, пять версий выдали пять разных, но внутренне непротиворечивых карт. Это указало, где данные обучения дали чёткий сигнал, а где сеть осталась в неведении. Контрольная проверка — внесение случайного шума той же мощности — создавала лишь бесформенный мусор, а не осмысленные движения. 93 миллиона параметров сети оказались не просто механизмом, а застывшим отпечатком физической реальности белков.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2607.16087
AlphaFold2's 93 million parameters, shaped by the evolutionary record of protein structure encoded in the Protein Data Bank and in sequence alignments, are conventionally treated only as machinery for converting sequence to structure. We propose they are also a scientific object that can be analyzed directly: a learned encoding of protein conformational organization that can be probed and characterized. By smoothing the Evoformer's weight tensors with a Gaussian convolution and scaling the result, we show that the trained model produces physically structured conformational landscapes. Under perturbation, ubiquitin's native contacts break in the order established by decades of folding experiments. For KaiB, five independently trained models agree that the alternative fold is not recovered under perturbation. For alpha-synuclein, five models produce five different but coherent landscapes, mapping where the training signal has determined the representation and where it has not. Matched-power noise controls confirm that random corruption of equal magnitude produces debris, not conformations. The model learned to predict static structures; the conformational organization visible under perturbation was not an explicit training target, suggesting it emerged as a byproduct of that objective. AlphaFold2's weights appear to encode structural constraints, shaped by evolutionary and structural training data, that extend beyond what unperturbed inference reveals. We call the approach of reading them neural spectroscopy, and Scaled Gaussian Convolution one such protocol.
Белок убиквитин, названный так за своё повсеместное распространение (от английского ubiquitous — «вездесущий»), состоит всего из 76 аминокислот, но его путь сворачивания изучали десятилетиями — и нейросеть воспроизвела его, просто «задумавшись» о статичной форме.
Это напоминает идею из «Парка Юрского периода», где учёные извлекли ДНК динозавров из янтаря — только здесь из «застывшей» нейросети извлекают скрытую динамику молекул.