AlphaFold 3再登Nature！

這次重磅升級，不再僅限于蛋白質結構預測——可以以前所未有的精度預測所有生命分子的結構和相互作用。

只有了解它們如何在數百萬種組合中相互作用，我們才能開始真正理解生命的過程。

這次的最大創新之一，是用上了AI繪畫上常見的去噪擴散模型，直接生成每個原子的3D坐標。

現在，AlphaFold 3對普通感冒病毒Spike蛋白（藍色）的結構預測，灰色部分為預測結果。這能讓人類更進一步了解冠狀病毒。

對蛋白質和DNA結合的分子復合物進行預測，其預測結果與真實結構幾乎一致。

在不輸入任何結構信息的情況下，AlphaFold3預測準確度比現有方法提高了50%，對于部分相互作用類別甚至提高了1倍。

這使得AlphaFold 3成為首個超越基于真實生物分子結構預測工具的AI系統。

而且全球科學家通過AlphaFold服務器即可免費訪問使用AlphaFold 3進行非商業研究（開放大部分功能）。

DeepMind聯創兼CEO哈撒比斯在發布會上非常肯定地表示，AlphaFold 3是人類了解生物學動態系統歷史性的第一步。

網友都紛紛感慨：這就是AI的用處所在啊。

用擴散網絡生成預測結果

事實上，在AlphaFold 3之前還進行過一系列小規模更新，重點提高了對蛋白質復合體的預測精度。

所以總結下來：

• AlphaFold，開創了蛋白質結構預測的新時代
• AlphaFold 2，大幅提高了預測精度
• AlphaFold-Multimer，將預測范圍擴展到具有多個蛋白質鏈的復合物
• AlphaFold 2.3，它提高了性能并將覆蓋范圍擴大到更大的復合物

這次革命性的AlphaFold 3，繼續將預測范圍擴展到蛋白質、DNA、RNA以及一系列配體、離子和化學修飾等更多生物分子結構。

AlphaFold 3建立在AlphaFold 2的基礎上，但在架構和訓練過程上有很大改進：

• 遺傳特征編碼器(MSA module)被大幅簡化，聚焦提取更關鍵的進化信息。
• 成對殘基關系編碼器(Pairformer)取代了原有的進化特征處理單元(Evoformer)，增強了復雜相互作用模式的建模能力。
• 結構生成器從以氨基酸為中心，改為直接預測原子坐標，增加了處理通用分子結構的靈活性。

為了避免擴散方法在一些無結構區域產生幻覺，還引入了一種新的交叉蒸餾方法，通過AlphaFold-Multimer v2預測的結構數據來豐富訓練數據。

更讓人驚嘆的是，AlphaFold 3即便在訓練數據極度匱乏的領域，也展現出了驚人的泛化能力。

舉個例子，在CASP15的RNA預測任務中，它在10個公開靶點上的平均表現超過了專門的RNA結構預測模型。要知道，這可是在幾乎沒有RNA訓練數據的情況下實現的。

盡管AlphaFold 3在多個維度實現了突破，但它并非完美無缺。比如在對映異構、自相互作用等方面，它還存在一定局限性。

此外，它目前專注的是分子結構的靜態預測，對動力學行為的刻畫還不夠。對人工合成分子的適用性也有待考證。

AlphaFold 3偶爾也會產生錯誤，對無序區域產生幻覺，導致對某些目標的預測準確性降低。

目前的緩解手段，是在生成時使用多個隨機種子，確保正確的手性并避免蛋白質-配體輕微碰撞。

但瑕不掩瑜，AlphaFold 3的意義不僅在于具體指標的躍升，而是展示了用統一的深度學習架構，來建模復雜生命系統組件之間相互作用的可能性。

AlphaFold開始商業化

2021年AlphaFold一代推出后，谷歌DeepMind積極為其尋找商業化途徑，并成立了Isomorhpic Labs公司。

這次雖然以谷歌DeepMind的名義新推出了免費的AlphaFold Server，號稱科學家只需點擊幾下就模擬由蛋白質、DNA、RNA 以及一系列配體、離子和化學修飾組成的結構。

然而Nature報道指出，科學家對AlphaFold 3服務器的訪問是有限的。目前每天只能進行10次預測，而且不可能獲得可能與藥物結合的蛋白質結構。

Isomorphic Labs正在使用AlphaFold3通過自己的管道或與其他制藥公司合作開發藥物。

審稿人也在線喊話哈撒比斯，自己從服務器上得到了非常好的結果，但是發布論文里為什么沒有給代碼？

他在審稿評論中列出了AlphaFold2代碼發布后的一系列科學事件，它認為如果不公布代碼就不會有如此多科學成果。

不過，可不要小看開源社區的力量。

可能不少人論文都沒看完，開源復現工作就已經開啟了。

雖然現在還只是空倉，但網友推測，對于復現過ViT、DALL·E 2、Imagen等工作的這位大神來說，可能幾天之內就能完成。

目前Nature已經放出的AlphaFold3論文預印版。感興趣的同學可以前去了解。

論文地址：https://www.nature.com/articles/s41586-024-07487-w

參考鏈接：

[1]https://www.nature.com/articles/d41586-024-01383-z。

[2]https://www.isomorphiclabs.com/articles/a-glimpse-of-the-next-generation-of-alphafold。

[3]https://github.com/lucidrains/alphafold3-pytorch。