德克薩斯大學奧斯丁分校以cryo-EM拍攝SARS-CoV-2的刺突蛋白，繪製新冠病毒刺突蛋白圖譜，團隊成員Jason McLellan教授 （左）、研究生Daniel Wrapp （中）及研究助理Nianshuang Wang。（圖片來源：德克薩斯大學網站）
德克薩斯大學奧斯丁分校以cryo-EM，拍攝SARS-CoV-2刺突蛋白，繪製出新冠病毒上刺突蛋白的原子圖譜，綠色標示部分是刺突蛋白，用於結合人類細胞上ACE2的受體結合區域（Receptor binding domain）。（圖片來源：德克薩斯大學McLellan實驗室
上周五，美國總統特朗普透露，Google母公司Alphabet附屬公司Verily Life Sciences（前稱Google Life Sciences）正開發網站，協助懷疑感染Covid-19冠狀病毒的患者自行分流測試。據Google傳訊部門表示，Verily處於開發初階段，計畫於三藩市灣區推出，期望擴展至更多地點。
美國總統特朗普透露超過1700名工程師，正參與有關Verily開發工程。Alphabet股價受刺激，一度上升超過9%。
Verily為Alphabet擁有的生命科學業務，據報網站讓用戶填寫問卷，自我檢測病徵，並獲悉從何可檢測，是否感染Covid-19冠狀病毒。網站亦介紹染感各種風險因素以及出現的病徵，用戶自行判斷有否屬於受感染風險，再決定到附近檢測中心，自行檢測病毒。
Google大舉投資人工智能，Verily可從網站和各種相關數據，預測長期病患，其至流行病風險；只要查詢身體狀況，再配合各種數據，就可推測出感染風險。Verily已在多國推動數據作診斷和醫療計畫，並取得成果。
人工智能開發新藥
Alphabet屬下另一家人工智能公司DeepMind，亦對於開發Covid-19病毒SARS-CoV-2解藥，可能有重大貢獻.2018年低，DeepMind以人工智能推出演算法AlphaFold，預測複雜3D形狀的蛋白質摺疊（Protein folding）競賽上獲冠軍。最近亦算出SARS-CoV-2的3D蛋白結構。
了解複雜3D形狀的蛋白質結構，被視為研發新藥的關鍵技術。較早前，美國德克薩斯大學奧斯丁分校團隊以「低溫電子顯微術」（Cryogenic electron microscopy，cryo-EM），快速成功拍攝SARS-CoV-2的「刺突蛋白」（Spike Protein），被視為開發病毒疫苗的突破。
SARS-CoV-2外圍有多枚刺突蛋白，外形看似冠狀，因此而被命名冠狀病毒。刺突蛋白藉結合人類細胞上的ACE2受體進行入侵，入侵方式與2002年出現SARS病毒一致；不過研究發現，SARS-CoV-2結合強度，竟比SARS病毒強出10至20倍，所以較SARS更易人傳人。
有關研究乃美國敏感及傳染病研究中心資助，2月19日的《自然》期刊上發表；又發現了現存針對SARS開發的三種抗體，均無法成功結合SARS-CoV-2刺突蛋白加以中和，如果開發病苗或以抗體為基礎的解藥，就必須另覓新蛋白結構。
不少人以為，經過Covid-19冠狀病毒，不少國家均會投資cryo-EM，以期更快找出蛋白分子結構，加速新藥的開發。蛋白質是氨基酸通過肽鍵組成的綫性鏈，摺疊成3D結構，結構取決於氨基酸序列和互相的物理作用，最重要是結構決定了蛋白質的生物學功能。所以理解了病毒蛋白結構和功能，不但可理解病毒如何入侵人體細胞受體，以至如何作出抑制或中和病毒，但即使有低溫電子顯微術，人類理解的蛋白結構數據，仍然甚少。
美國國家科學基金會生物學部建立了蛋白質數據銀行（PDB，Protein Data Bank），支援全球上載3D形狀的蛋白結構資料處理，以加速開發新藥。
目前，以傳統「X射綫晶體學」（X-ray crystallography）重建的蛋白分子結構，每年不足1萬，「X射綫晶體學」非常耗時，往往是緩不濟急。cryo-EM可更快獲得影像，但以往影響模糊。近年在電腦幫助下大有改善。2017年，Richard Henderson就是憑着改善cryo-EM拍攝蛋白結構的清晰度，並加快拍攝進程獲得了諾貝爾獎。
「X射綫晶體學」極為耗時，cryo-EM安裝和操作昂貴，也不容易普及。德克薩斯大學短時期內，重建SARS-CoV-2冠狀病毒上刺突蛋白的結構，已經引起了哄動。不過決定整個結構仍然極為耗時，部分蛋白結構的來龍去脈，甚至無從稽考。
近期，科學家就利用了儲存蛋白質的氨基酸序列（Amino acid sequence），只要以前相同蛋白結構已經獲得實驗證明，就可以「模塊建模方式」（Template modelling），通過超級電腦以模擬計算，可估計出蛋白的結構。
以電腦預測白結構，一些特定蛋白質結構編碼後，以不同相似蛋白質結構，建立監督模型加以訓練，就可預測出結構。但是假如蛋白質結構從未重構過，舊的預測模式，就一籌莫展。
2018年底， DeepMind開發了AlphaFold演算法模型學習，並取得重大突破，竟能算出從未重構過的蛋白結構，稱為「自由建模方式」（Free modelling）；第13屆全球蛋白質結構預測競賽（Critical Assessment of protein Structure Prediction，CASP）上，終於大放異采。
電腦模擬計算蛋白結構
Alphabet演算法準確度驚人，43種蛋白質之中，準確預測其中25種，大幅領先第二名，只能準確預測出其中3種蛋白結構。部分蛋白質結構生物學家甚至認為，AlphaFold演算法是研究蛋白結構最大突破之一。
DeepMind再利用了AlphaFold演算法，網上公布了數個SARS-CoV-2蛋白結構的預測。DeepMind團隊強調，有關蛋白結構並未經實驗實證，不過AlphaFold演算法命中率，有關結構可助科學家研究，估計有關蛋白各種特性和功能，甚至配對以現存藥對付Covid-19。
去年，麻省理工學院公布人工智能模型，可從氨基酸序列和蛋白結構，直接推斷蛋白的功能。類似技術應用研究疫苗或者抑制劑，均具重大意義；只要AlphaFold估算出結構，也能獲悉有關蛋白的功能。人工智能和疫症之間，正進行生死時速的競賽。
全文刊於《星島日報》「創科廣場」
