下棋后哭柯洁的DeepMind，这次要让生物地震？

原创 世超 差评

最近，世超再次被发现 AI 新闻被刷屏了，最初开发出来的。 AlphaGo ，谷歌DeepMind下棋哭柯洁。 企业，在 Nature 上面公布了最新一代 AlphaFold 3 模型。

AlphaFold ，这个名字听起来有点像折叠手机型号，是他家专门预测蛋白质结构的新名字。 AI 。

可以预测生物体内绝大多数的分子结构。这意味着从那以后，生物医学研究真的开始了。 · 从第三个角度来看，任何生物分子的作用机制都会从黑盒中打开，变成透视。

许多媒体和网民开始欢呼， 21 这个世纪，真正成为生物的世纪。。

了解这次新发布的内容 AlphaFold 3 我们首先要知道有多牛， DeepMind 和它的 AlphaFold ，曾经给分子生物圈带来了多大的震撼。

在九年义务教育中，我们都学会了生物中最常见的物质是蛋白质。要了解生物分子的底层原理，我们必须知道每种蛋白质是什么样子的。

这么说吧，现在 AlphaFold 在此之前，大家对蛋白质结构的预测主要有两种方法，

一是用 X 光照蛋白质晶体，即先拍片子再分析片子，再了解其长什么样。第二，磁共振 ( NMR ) 光谱，拍摄大致的形状轮廓，然后推断其结构。

这些传统方法不仅慢，而且适用范围小，需要不断的试错和费用。每次拍一部电影，都要花几万块钱，抵得上一辆小米。 su7 。

这就是为什么生物学家对蛋白质的研究需要很多经验。。。只有有经验的老师傅，蛋白质神仙，才能更快地猜出蛋白质的精确形状，少拍电影。

所以人们想知道，这种需要经验总结的工作是否可以依赖。 AI 解决呢？DeepMind 来做这件事吧，为了克服传统的拍摄问题，第一代 AlphaFold 在选择技术路线时，摊牌：

不拍片子！

由于蛋白质由氨基酸组成，初代蛋白质 AlphaFold 使用这些蛋白质中每一对氨基酸之间的距离，链接视角，将这些蛋白质中每一对氨基酸的距离，汇总成一张图片， AI 用神经网络消化它们，然后让它们消化。 AI 做出自己的预测。

而 2018 年第一代 AlphaFold 一经发布，就技惊四人，力压一群实验室老师傅，获得第一名。 13 预测蛋白结构的比赛 ( CASP ) 冠军。

AI ，很神奇吧。

不过，初代 AlphaFold 有一个问题，它更依赖于局部数据的特性来训练，它不能提取远元素之间的关系。就像一个只会写短文却学不会写经典小说的作家。

问题是，很多蛋白质分子都有长期的依赖性，这使得第一代 AlphaFold 实力有些捉襟见肘。

好在 2020 年发布的 22222Alpha.0 ，用上后来在 ChatGPT 上大火的 Transformer 模型。

Transformer 模型注意机制，则完美地解决了远距离氨基酸的问题，进步有多大？

2018 年度蛋白结构预测比赛 1.0 这个版本的准确度没有达到 60 分，可是 2020 年比赛里 2.0 这个版本得到了惊人的 92.4 分，它所能产生的范围已经包含了人类已知的蛋白质。 98% ，更为重要的是它完全开源。

可以说， 2.0 该版本已基本解决了单链蛋白质的预测问题， 2021 年，基于 2.0 改版的 AlphaFold-Multimer 发布，还支持多链，在准确性上也取得了突破，预测蛋白质间功效的准确性超过 70% 。

因此，如今许多企业也使用了它们，甚至帮助了国外一些新冠肺炎疫苗的研发。

但在 DeepMind 看起来，蛋白质结构预测的胜利，还远远没有完成。 AI 因为生物体内的复杂分子结构不仅包括蛋白质，还包括核酸、小分子配体等，

就像你花了十年时间学习如何解锁钥匙一样。结果你一开始发现大家都用指纹锁密码锁，用传统钥匙的人太少了！

所以这次 AlphaFold 3 ，它们更新了一个更好的全面模型，不仅可以预测蛋白质 DNA RNA 等待各种小分子，也可以揭示他们之间的相互作用。

那么，这是怎么做到的呢？回答是，他们已经使用了。 Diffusion 。

是的，是著名的扩散模式，在这里 AI 画火的时候，相信大家都听说过。其原理是不断地对原始图像进行编码，然后让原始图像进行编码。 AI 学着预测这些马赛克的形成过程，然后反过来实现从马赛克到图像的形成。

不过，如同 AI 画画生成不好的手指， Sora 椅子视频会穿模一样， Diffusion 加持下的 AlphaFold 3 还可以预测错误，尤其是在一些看起来相似难以区分的结构上，比如你在高中有机化学中学到的手性分子。

所以在这些容易出错的地方， DeepMind 使用了一种叫做交叉蒸馏的操作，说到底就是让有的有。 Transform 模型 2 先预测版本，然后将预测数据添加到版本中。 AlphaFold 3 在训练中，也就是相当于让步。 2 代表老师，带着 3 代表别人做，这样可以减少预测失误。

效果有多好？直接看官方图吧？

AlphaFold 3 对 7BBV - 酶 ( 它存在于一种土壤真菌体内 ) 酶蛋白是一种预测（ 蓝色 ）、离子（ 黄色圆球 ）和单糖（ 黄色 ）与真实构造（ 灰色 ）几乎重叠

AlphaFold 3 对于感冒病毒刺突蛋白（ 蓝色 ）与抗体（ 绿松石色 ）和单糖（ 黄色 ）相互作用时的结构预测，与真实结构精确匹配（ 灰色的）

AlphaFold 3 预测蛋白质复合物，其中蛋白质（ 蓝色 ）与 DNA （ 粉色 ）结合实验测定的预测模型和真实分子结构。（ 灰色 ）几乎完美的匹配

精度除了生成质量相当哇塞外，还遥遥领先于原子级。蛋白质和核酸配体的模拟比其他产品更好，抗原抗体的模拟也更好。

而操作 33AlphaFold 那就更容易了。使用 ChatGPT ，我们还是要想办法提出一个好问题，写完提示词，但是在 AlphaFold 3 ，您只需输入一些分子目录，它就可以计算出它们是如何组合在一起的。

想象一下生物大分子模型，它原本需要花费大量的时间、精力和金钱才能看到。现在只需要在网站上输入参数，然后点击，十分钟后就可以产生高清晰度和精度的生物大分子模型。

甚至细胞系统内部的生化过程、现象、 DNA 如何发挥作用，如何进行药物和激素反应，也都可以在很短的时间内被整理出来。

这些遥遥领先的数据和大家的热情似乎都在说:这次发布不再是跳跃性的提升，而是革命性的突破，整个传统的生物医学研究方法似乎都在改变。

但是世超认为，乐观是好的，但是科学这个东西除了乐观之外，还需要中肯和严谨。

各行各业的媒体和网民都在 “ 爆裂 ” “ 颠覆 ” “ 改变命运 ” 当时圈子里有很多对的大佬，也发表了一些对的。 AlphaFold 3 的评价。

比如颜宁教授的团队发现， 3.0 这个版本在一次糖蛋白预测中翻了个底朝天，表现甚至不如上一代。

还有很多科学家吐槽 3.0 相比 2.0 还没有开源，使用次数也有限。

甚至，也有人质疑 DeepMind 的老板 Hassabis ，他自己也创立了一个家庭 “ 专注于人工智能药品企业 ” ，号称要 “ 利用人工智能对药物进行重新定义 ” ，但从 2021 今天，他们还没有推出任何药物。

当然，这有点尴尬。毕竟在药物研发过程中，蛋白质结构问题只是其中的一小部分，并不能对药物研发的进度产生决定性的影响。。。

总而言之，世超感觉 AlphaFold 三代商品确实令人欣慰，但在漫长的生命科学实践中，它仍然有许多问题需要突破。但归根结底，进步总是好事。我希望 DeepMind 可以再好一点，做快一点。

发文：纳西 编辑：江江 & 面线 封面：焕妍

图片，资料来源：

nature：Accurate structure prediction of biomolecular interactions with AlphaFold 3

Google：AlphaFold 3 predicts the structure and interactions of all of life’s molecules

Google：Build AI responsibly to benefit humanity

Google：AlphaFold Server

exxact: AlphaFold Update Drastically Improves Accuracy in Docking, Nucleic Acids, & PTMS

微博 ：@个人主页nyouyou

知乎：谷歌 DeepMind 推出新一代药物研发 AI 模型 AlphaFold 三是有什么重要意义？

zaker: 刚刚，AlphaFold 3 登上 Nature：所有的生命分子结构和相互作用， AI 预测了

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com