據介紹，該模型以前所未有的精確度預測了蛋白質與其他生物分子的結構和相互作用。該研究團隊表示，阿爾法折疊3將有助于改變人們對生物世界和藥物發現的理解，進而開啟人工智能細胞生物學的新時代。

（來源/《自然》）

繪制蛋白質結構約600萬種

早在2018年的CASP13（蛋白質結構預測評估）競賽中，阿爾法折疊1就引起了廣泛關注，因為它在蛋白質結構預測方面表現出色，當時阿爾法折疊1的表現遠超其他參賽團隊。

2020年，Deep Mind發布了阿爾法折疊2。在那年的CASP14競賽中，阿爾法折疊2展示了前所未有的準確率，在預測蛋白質結構方面取得了突破性進展。據當時的評估結果報告，阿爾法折疊2的平均誤差大概只有一個原子的直徑（0.1納米），其預測準確度與傳統實驗方法相當，當時在科學界引起了巨大反響。Deep Mind隨后也與科學界合作，通過使用阿爾法折疊2解析了多種生物學上重要的蛋白質結構，加速了生物醫學研究的進程。

據了解，2021年，Deep Mind與歐洲生物信息學研究所合作，公開了阿爾法折疊DB，這是一個包含數以萬計的蛋白質結構預測的數據庫。這些數據的公開讓全球的科研人員都能夠免費訪問這些蛋白質結構信息。在2022年，阿爾法折疊2也進行了全面升級。

據Deep Mind此前表示，在短短3年里，阿爾法折疊2已被180萬研究人員使用，繪制出約600萬種不同的蛋白質結構。但這些圖是單個靜態蛋白質的圖像，不包含細胞內部發生的化學通訊。“生物學是一個動態系統，”Deep Mind首席執行官戴密斯·哈薩比斯解釋，“你必須了解細胞中不同分子之間的相互作用如何產生生物學特性。”

AI助力治療疾病、藥物研發

6年后的今天，谷歌Deep Mind推出了最新的阿爾法折疊3，旨在幫助科學家更有效地設計藥物和針對疾病。Isomorphic Labs首席人工智能官馬克斯·賈德伯格表示，阿爾法折疊3的功能為研究人員快速識別潛在的新藥物分子提供了新的機會。據了解，此前Isomorphic Labs已與制藥公司禮來和諾華建立了合作伙伴關系。

馬克斯·賈德伯格說：“這使得我們的科學家、藥物設計師能夠在原子水平上創建和測試假設，然后在幾秒鐘內使用阿爾法折疊3生成高度準確的結構預測。相比之下，傳統實驗方法可能需要數月甚至數年的時間。”

據該團隊稱，與許多現有的專用工具（包括基于其前身的工具）相比，阿爾法折疊3的預測準確性“顯著提高”。與現有的預測方法相比，這個版本的阿爾法折疊在預測蛋白質與其他分子之間的結構和相互作用方面至少提高了50%。在一些關鍵的研究領域，其預測準確度甚至提高了一倍，達到了100%的改進。阿爾法折疊3能夠精確預測蛋白質、DNA、RNA和配體的結構及它們之間的相互作用。這一進展為治療癌癥、自身免疫性病癥等疾病提供了希望。

Deep Mind的阿爾法折疊團隊負責人約翰·詹珀表示：“我們看到了令人難以置信的進步，我們認為這些進步將解鎖許多新科學。”他指出該技術在提高植物生物學知識以及糧食安全方面同樣具有潛力。“我們已經開始看到生物學家和早期測試人員使用它來了解細胞如何工作，并開始思考它可能會出現什么樣的誤差。”他說。

記者梳理其論文概述后發現，最新的阿爾法折疊3有著幾項重大的更新。

最新版本的阿爾法折疊將更少依賴于與目標序列相關的蛋白質信息。同時阿爾法折疊3還使用一種稱為擴散模型的機器學習網絡，該網絡可以被圖像生成式人工智能使用。約翰·詹珀表示：“這是一個相當大的變化。”

同時，研究人員表示，阿爾法折疊3在預測蛋白質及其結構方面遠遠優于現有的軟件工具。例如，對尋找新藥感興趣的科學家通常使用一款名為docking的軟件來模擬化學物質與蛋白質的結合程度，而阿爾法折疊3被證明優于這個軟件，同時也被證明優于另一個名為RoseTTAFoldAll-Atom4的基于人工智能的工具。

約翰·詹珀和他的同事在稍早的報告中也用數據驗證了他們的說法。報告顯示，在400多個測試案例中，阿爾法折疊3能夠正確模擬已知的蛋白質和類藥小分子之間的相互作用，其中76%的案例能夠正確模擬，而RoseTTAFoldAll-Atom的這一比例約為40%。對于蛋白質和抗體之間的相互作用，阿爾法折疊3的正確率為62%，而AlphaFoldMultimer（該公司之前用于模擬蛋白質與其他生物分子相互作用的軟件包）的正確率為30%。

據了解，為了鼓勵新模型被廣泛采用，Deep Mind研究人員還發布了阿爾法折疊服務端，這是一個免費的在線使用平臺，Deep Mind研究人員為此發布了一個包含約2億個蛋白質結構的數據庫。

新模型的優與劣

波士頓咨詢集團本周發表的一項研究表明，與其他方法發現的藥物相比，人工智能發現的藥物在早期試驗中的成功率更高。該研究指出這些數據是對該技術在藥物發現及有效性的早期分析，研究表示人工智能可以使制藥研發的生產力提高一倍。

據另一國際知名學術期刊《科學》對這一模型的介紹與解讀，倫敦國王學院的生物學家朱利安·伯杰龍獲得了測試阿爾法折疊3的機會，他稱該軟件在加快研究速度方面具有變革性。研究人員無需花費數年時間在實驗室研究蛋白質，而是可以在幾分鐘內得到結果。“我們可以開始在計算機中測試假設，”朱利安·伯杰龍說，“我非常確定世界上每個結構生物學和蛋白質生物化學研究小組都會立即采用這個系統。”

加州大學舊金山分校的藥物化學家布賴恩·肖伊切特一直在使用阿爾法折疊來尋找藥物，他說，由于對蛋白質與可能的藥物相互作用建模的限制，他并不覺得阿爾法折疊3具有阿爾法折疊2在之前所帶來的影響大。

正如該研究團隊在報告所介紹，阿爾法折疊3仍在很多方面存在局限性，需要進一步的迭代和改進。包括立體化學限制、預測準確性問題、結構構象限制、缺乏動態信息、特定目標預測限制等。