AlphaFold3来了！无需输入任何结构信息，生物分子预测精度高出50%

　　当地时间 5 月 8 日，谷歌 DeepMind 发布了其生物学预测工具 AlphaFold 的最新版本—— AlphaFold 3。

　　在 Nature 发表的一篇论文中，该公司介绍了 AlphaFold 3，并将其称为这是一个革命性的新模型，能以前所未有的精度预测所有生命分子的结构和相互作用。

　　作为一个以整体方式计算整个分子复合物的单一模型，它不仅可以预测蛋白质的结构，还可以预测几乎所有生命分子的结构，包括蛋白质、DNA、RNA、配体等对于蛋白质与其他分子类型的相互作用，从而能对药物发现带来至关重要的作用。

　　（来源：DeepMind）

　　与现有的预测方法相比，其预测精度提高了一倍。具体来说，AlphaFold 3 在预测药物相互作用上实现了前所未有的准确性，包括蛋白质与配体的结合、以及抗体与其靶蛋白的结合。

　　在无需输入任何结构信息的情况下，AlphaFold 3 的准确性比 PoseBusters 基准上的已有最佳传统方法高出 50%，因此 AlphaFold 3 是第一个超越基于物理的生物分子结构预测工具的人工智能系统。

　　DeepMind 还表示，AlphaFold 3 提供了比现有任何工具更细致、更动态的分子相互作用描述。

　　（来源：DeepMind）

　　AlphaFold 3 将高分辨率带入了生物世界。它使科学家能够看到细胞系统的所有复杂性，包括结构、相互作用和修饰。

　　这个关于生命分子的新窗口揭示了它们是如何连接的，并有助于了解这些连接如何影响生物功能，如药物的作用、激素的产生和 DNA 的修复过程。

　　由于可以让人类研究蛋白质之外的广泛生物分子中，因此 AlphaFold 3 可能会开启更具变革性的科学，比如开发生物可再生材料和更具韧性的作物、以及加快药物设计和基因组学研究。

　　DeepMind CEO 戴米斯·哈萨比斯（Demis Hassabis）告诉媒体记者们：“生物学是一个动态系统，生物学特性是通过细胞中不同分子之间的相互作用而显现出来的，你可以将 AlphaFold 3 视为我们朝着（建模）这一目标迈出的第一步。”

　　谷歌 DeepMind 总监约翰·詹珀（John Jumper）也告诉媒体，这标志着“模型的巨大飞跃，因为它确实简化了让所有这些不同原子一起工作的整个过程”。

　　AlphaFold 3 如何工作？

　　据了解，在每一种植物、动物和人类细胞之内，都有数十亿个“分子机器”。它们由蛋白质、DNA 和其他分子组成，但它们不能单独工作。只有看到它们如何在数百万种组合中相互作用，才能开始真正理解生命的过程。

　　将一系列分子视为输入值，AlphaFold 3 可以生成它们的 3D 结构，揭示它们是如何结合在一起的。

　　即它可以对蛋白质、DNA 和 RNA 等大生物分子以及小分子（也称为配体）进行建模。此外，AlphaFold 3 也可以模拟这些分子的化学修饰。化学修饰控制着细胞的健康功能，一旦被破坏就会导致疾病。

　　由于 AlphaFold 3 有着更高的复杂性，因此需要改进底层模型架构。为此，DeepMind 转向了扩散技术（diffusion）。

　　事实上，近年来 AI 从业者一直在稳步改进 diffusion 技术，并驱动了 OpenAI 的 DALL-E 2 和 Sora 等图像和视频生成工具。

　　（来源：DeepMind）

　　扩散技术的工作原理是训练一个模型，让它从噪声图像开始，然后一点一点地减少噪声，直到出现准确的预测。该方法允许 AlphaFold 3 处理更大规模的输入数据（集）。

　　也就是说，AlphaFold 3 的能力来自于其新一代架构和训练，其训练数据涵盖了所有生命分子。该模型的核心是 Evoformer 模块的改进版本，这是一种深度学习架构，支撑了该模型的性能。

　　在处理完输入内容之后，AlphaFold 3 使用扩散网络（diffusion）组合其预测，类似于人工智能图像生成工具中的预测过程。扩散过程从一群原子开始，经过许多步骤，最终形成最准确的分子结构。

　　AlphaFold 3 有何作用？

　　预测抗体-蛋白质结合的能力，对于理解人类免疫反应的各个方面和新抗体的设计至关重要，后者已经成为一种越来越普及的治疗方法。

　　目前，AlphaFold 3 正在通过预测药物中常用的分子比如配体和抗体，从而带来设计药物的能力。这些分子与蛋白质结合，可以改变它们在人类健康和疾病中的相互作用方式。

　　DeepMind 表示，它旗下的药物研发子公司 Isomorphic Labs，将 AlphaFold 3 与一套互补的内部人工智能模型相结合，尝试识别抗逆作物和研发新疫苗，并与制药公司合作尝试开发新的疾病治疗方法。

　　详细来说，Isomorphic Labs 正在使用 AlphaFold 3 来加速药物设计并提高其成功率，通过帮助了解如何接近新的疾病靶点，并开发新的方法来追求以前遥不可及的靶点。

　　AlphaFold 3 的搭档 AlphaFold Server

　　此前针对 AlphaFold 2，DeepMind 发布了开源代码，使研究人员能够深入其代码内部，从而更好地了解其工作原理。

　　哈萨比斯表示对于 AlphaFold 3，DeepMind 目前没有发布完整代码的计划。相反，该公司为该模型发布了一个名为 AlphaFold Server 的公共接口，该接口对可供尝试的分 子施加了限制，并且只能用于非商业目的。

　　DeepMind 表示，该接口将降低技术门槛，将该工具的使用范围扩大到对该技术了解较少的生物学家群体。

　　概括来说，AlphaFold Server 是一个预测蛋白质如何在整个细胞中与其他分子相互作用的工具。

　　这是一个免费的平台，全世界科学家都可以使用它进行非商业研究。只需点击几下，生物学家就可以利用 AlphaFold 3 的力量对由蛋白质、DNA、RNA 和一系列配体、离子和化学修饰组成的结构进行建模。

　　（来源：DeepMind）

　　据介绍，AlphaFold Server 可以帮助人们提出新颖的假设以便在实验室进行测试，加快工作流程，并实现进一步创新。

　　而且，AlphaFold Server 还为用户提供了一种易访问的预测生成方式，无论他们是否具备足够的计算资源或机器学习方面的专业知识，都可以使用这款工具。

　　与此同时，DeepMind 还将扩大与 EMBL-EBI 的免费 AlphaFold 在线教育课程，并与更多组织建立伙伴关系，为科学家提供加速采用和研究所需的工具，包括在被忽视的疾病和粮食安全等资金不足的领域。

　　AlphaFold 3 的风险如何？

　　哥伦比亚大学系统生物学助理教授穆罕默德·库莱希（Mohammed AlQuraishi）没有参与 DeepMind 的工作，其认为该模型的最新版本将更适合药物发现。

　　“AlphaFold 2 系统只了解氨基酸，因此它对于生物制药的效用非常有限。”他说，“但现在，最新的 AlphaFold 3 系统原则上可以预测药物与蛋白质结合的位置。”

　　“它使系统更加通用，特别是对于（仍处于早期研究的）药物发现而言，它现在比 AlphaFold 2 有用得多。”他说。

　　库莱希表示，此次新工具的发布标志着一个巨大的飞跃，但也伴随着一些缺陷。

　　库莱希表示不开源代码意味着 AlphaFold 3 预测蛋白质与小分子相互作用的主要能力，基本上无法供公众使用。他认为：“目前 AlphaFold 3 主要起到了宣传的作用。”

　　（来源：DeepMind）

　　而且与大多数模型一样，AlphaFold 的影响力将取决于其预测的准确性。对于某些用途，AlphaFold 3 的成功率是 RoseTTAFold 等类似现有先进模型的两倍。但对于其他方面，比如蛋白质-RNA 的相互作用，库莱希表示它仍然非常不准确。

　　DeepMind 也表示，根据所建模的相互作用的不同，AlphaFold 3 的准确度在 40% 到 80% 左右。

　　由于预测不太准确，用户只能使用 AlphaFold 的结果作为起点，然后再尝试其他方法。

　　而且，新技术会带来新的风险。正如 AlphaFold 3 论文所详细介绍的那样，使用扩散技术会让模型产生“幻觉”，生成看起来合理但实际上不可能存在的结构。

　　（来源：DeepMind）

　　为此，DeepMind 的研究人员在最容易产生幻觉的地方添加了更多训练数据，来试图降低这种风险，但这并不能完全消除问题。

　　在 DeepMind 为 AlphaFold 2 进行的外部咨询的基础上，DeepMind 现在已经与 50 多位领域专家以及生物安全、研究和工业领域的专业第三方进行了接触，以了解 AlphaFold 3 模型的能力和任何潜在风险。在 AlphaFold 3 发布之前，DeepMind 还参加了社区和论坛讨论。

　　但不管其准确度范围如何，它仍然很适合被研究人员当作寻找新结构或物质的第一步，比如回答诸如哪些酶有可能分解水瓶中的塑料之类的问题。

　　在这些问题上，使用像 AlphaFold 这样的工具比 X 射线晶体学等实验技术要有效得多。

　　此前，实验性蛋白质结构预测需要的时间，抵得上拿到一个博士学位，还要花费数十万美元。

　　而上一版的 AlphaFold 2 帮助人们更好地绘制人类心脏图、建立抗菌药物耐药性模型，并识别已灭绝鸟类的蛋。

　　DeepMind 在新闻稿中表示：“我们刚刚开始挖掘 AlphaFold 3 的潜力，迫不及待地想看看未来会怎样。”

　　支持：Ren

　　参考资料：

　　https://www.technologyreview.com/2024/05/08/1092183/google-deepminds-new-alphafold-can-model-a-much-larger-slice-of-biological-life/

　　https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/#future-cell-biology

　　排版：刘雅坤

　　01/ 揭开化学反应“黑匣子”，杨学明院士团队联合发展控制氢分子立体取向新方法，精准调控化学反应

　　02/南科大团队实现无扩散的单光子波包，为量子态远距离传输提供理想光形态，或实现更复杂的量子系统

　　03/同济团队开发新型无铂催化剂，每克制备成本不到100元，为制备金属氧化物催化材料提供指导

　　04/西工大团队造出可在超声中存在15分钟以上的声悬浮气泡，可用于地面模拟太空微重力环境

　　05/或将塑料转为小分子化合物，科学家实现聚苯乙烯的可控降解，降解产物分子量低于1000Da