5月9日，谷歌DeepMind和Isomorphic Labs聯合發布了最新預測蛋白質等結構的大模型——AlphaFold3。

　　據悉，AlphaFold3可以通過準確預測蛋白質、DNA、RNA、配體等的結構以及它們之間的相互作用，增強人類對新藥的發現方法與效率。

　　例如，用AlphaFold3去預測新冠病毒(COVID-19)的刺突蛋白結構，深度解讀病毒與宿主細胞ACE2受體之間的相互作用關系。

　　醫療研究人員便能基于該結構的完整信息快速開發一種小分子藥物，阻斷新冠與ACE2的結合，從而有效地阻止病毒的入侵、復制和傳播。再經過多輪動物、臨床、人體的實驗，一款特效藥、疫苗就能快速誕生了。

　　所以，不少醫學領域的科學家對AlphaFold3的評價非常高，認為AI也有機會去競爭醫學領域的諾貝爾獎。

　　目前，AlphaFold3已經免費提供在線使用，手稿論文已在全球頂級期刊《自然》上發布，稍后會推出編輯整理版。

　　谷歌表示，自AlphaFold系列模型發布以來，全球數百萬科研人員在其幫助下實現了多項技術突破，在瘧疾疫苗、癌癥治療和酶設計等獲得了大獎。

　　最新發布的AlphaFold3是在2代模型基礎之上研發而成，并且使用了全新擴散模型、Pairformer等創新模塊，進一步增強對蛋白質的預測準確率以及架構解讀。

　　解讀AlphaFold3創新模塊

　　從AlphaFold3的論文來看，雖然AlphaFold2在預測蛋白質結構方面已經很優秀，但研究人員為了進一步提升其準確率和泛化能力，在AlphaFold3引入了生成式AI領域非常火的擴散模型。

　　使用擴散模型的好處是，可以直接在原始原子坐標上操作，而不需要依賴于氨基酸特定的框架或側鏈扭轉角度。這種直接預測原子坐標的方法有助于減少立體化學的損失。

　　其核心思想是將結構預測問題轉化為一個逆向過程，從帶有噪聲的坐標中恢復出真實的生物分子結構。這個過程通過逐步去噪，逐漸精細化結構預測�？芍笇�AlphaFold3學習如何從噪聲數據中恢復出準確的蛋白質結構信息。

　　在上一代AlphaFold2模型中，Evoformer模塊對準確預測蛋白質結構發揮了重要作用，負責處理多序列比對(MSA)表示、成對表示和單個殘基表示。但Evoformer也有一個非常致命的缺點，就是對算力的消耗非常大，不適用于批量大規模業務。

　　所以，在AlphaFold3中用Pairformer替代了Evoformer模塊，徹底去除了對MSA表示的處理，只保留了簡單、高效的成對表示和單個殘基表示。

　　Pairformer模塊只有4個transformer塊組成，僅使用簡單的加權平均方法處理MSA表示，接著所有信息都通過成對表示傳遞給48個標準的transformer塊進一步處理數據。

　　這種巧妙的設計不僅極大節省了算力，還提升了AlphaFold3的預測泛化能力，可輕松預測各種非天然化合物。

　　根據谷歌公布的測試數據顯示，AlphaFold3的準確性比 PoseBusters 基準測試中最佳傳統方法高出50%，這也是首個超越基于物理的生物分子結構預測AI模型。

　　為什么預測蛋白質結構很重要

　　所有的植物、動物和人類細胞內部都有數十億的分子機器，并由蛋白質、DNA等多種分子組成。

　　但是，這些分子并不是獨立工作的，它們需要互相配合才能完成復雜的生命活動。只有通過研究這些分子如何協同工作，我們才能真正理解生命的運作過程。

　　例如，當你吃東西的時候體內的消化酶(一種蛋白質)就開始工作，幫助你分解食物。消化酶需要與食物中的分子相互作用，把大的分子分解成小的分子，身體才能吸收這些營養物質。

　　因此，蛋白質在所有生物過程中都扮演關鍵角色，包括細胞信號傳遞、免疫反應、代謝和細胞結構維持等。

　　很多疾病，例如，癌癥、阿爾茨海默病、心血管疾病等，都與蛋白質的異常功能或折疊有關。

　　只有通過預測和理解特定蛋白質的結構，醫療科學家可以更好地理解疾病的分子基礎，進而發現疾病的成因和潛在的治療目標，加速醫藥的研發進程。