问答：为什么研究人员需要无障碍的培训来理解和利用生命科学中的人工智能

充分利用任何技术，无论是基本的文字处理器还是尖端的人工智能算法，都需要一些训练。为了真正利用技术的好处，用户需要了解它是如何工作的，掌握它的局限性，并负责任地使用它。在人工智能领域，这一点最为重要。

EMBL欧洲生物信息学研究所（EMBL-EBI）的团队负责人Sameer Velankar负责管理欧洲蛋白质数据库和AlphaFold蛋白质结构数据库这两个结构生物学的重要资源

在这里，Velankar解释了谷歌DeepMind和EMBL-EBI是如何积极合作，填补围绕革命性的AlphaFold人工智能技术的知识空白的，该技术已经为几乎所有已知的蛋白质生成了结构预测

为什么为生命科学的新技术提供无障碍培训很重要

随着技术的快速进步，无障碍培训降低了进入门槛，使世界各地的生命科学家能够有效、负责任地将新技术融入他们的工作流程

了解如何使用新技术或数据库的结果并不简单，通常需要大量的背景知识和批判性思维

科学家必须评估他们获得的数据在特定环境下是否有用。同样重要的是，用户要意识到技术的局限性；它能做什么，不能做什么，擅长什么，在哪里做不到。这只有通过健全的文件和可访问的培训才能实现

您如何描述可获得的培训

可及性是多方面的。至少，培训应该很容易找到，而不是在付费墙后面。EMBL-EBI在以电子形式提供免费培训方面有着悠久的历史，因此全球观众可以免费访问该培训

无障碍培训还必须全面且易于不同培训背景、专业知识水平和能力的用户理解。这是一个连续的过程。应对这一挑战的唯一方法是不断与社区接触，在开发培训材料和教程时考虑到来自广泛用户的反馈和问题

为什么AlphaFold用户现在需要培训材料

直到几年前，蛋白质结构数据的可用性还局限于几十万个实验确定的蛋白质结构，因此并不是每个人都能获得感兴趣的结构模型。这意味着不是每个人都需要学习如何有效地使用结构模型。但自从谷歌DeepMind和EMBL-EBI公开了数百万个AlphaFold蛋白质结构预测以来，我们已经进入了一个结构数据丰富的世界

这意味着任何需要感兴趣的蛋白质的3D结构模型的人都可以拥有，无论他们是在研究人类健康、作物、生物多样性、酶还是其他什么。虽然人工智能预测不会取代实验数据，而且具有不同的准确性，但它们是科学界一直在大量创造性地使用的有用工具

已有18000篇科学论文引用AlphaFold，该数据库在190个国家拥有170多万用户。关于AlphaFold影响的更多细节可以在最近出版的预印本中找到。

令人兴奋的是，不仅是结构生物学家，还有分子生物学家、临床医生、数据科学家和其他人正在使用蛋白质结构模型来加速他们的研究。AlphaFold的预测正在惠及数百万以前从未接触过蛋白质结构数据的用户

因此，我们迫切需要填补AlphaFold培训材料中的空白，以支持希望利用这一丰富数据集的科学家。谷歌DeepMind和EMBL-EBI希望通过他们共同开发的题为“AlphaFold:一个实用指南”的新的全面、自定节奏的在线课程来弥补培训材料方面的差距

是什么让“AlphaFold:实用指南”课程与众不同

谷歌DeepMind和EMBL-EBI首次联合推出了一个全面的培训模块，并听取了生命科学不同领域专家的意见。它包含了用户可能会对AlphaFold软件和数据库提出的常见问题的答案，但这些问题太害怕了

“AlphaFold:实用指南”课程概述了AlphaFold的优势和局限性，以及获取预测的不同方式&mdash；包括通过AlphaFold数据库，其他人如何使用AlphaFol德预测的例子，以及迄今为止其对现实世界的影响。我们希望这将引导和激励用户以有效的方式将AlphaFold预测集成到他们的工作流程中

因为课程是模块化的，所以学习者很容易只关注自己感兴趣的领域。课程中的视频、教程和幻灯片支持不同的学习方式

重要的是，根据社区反馈，我们做出了巨大努力，使本科生及以上学生都能理解这门课程

关于AlphaFold，常见的误解有哪些

根据我的经验，对于AlphaFold能做什么和不能做什么，一直存在一些困惑。因此，在本课程中，我们试图解释该方法的局限性，以及在给定的背景下使用这些预测是否正确

例如，我们已经解决了关于AlphaFold数据库中缺少配体和多聚体的一些常见问题。本课程的整个部分致力于更详细地解释AlphaFold质量指标，特别是每残差模型置信度得分（pLDDT）和预测对齐误差（PAE），以及如何使用这些指标来评估AlphaFol德模型