谷歌重磅发布AlphaFold 3，增强人类发现新药方法！_谷歌alphago是什么

声明：本文来自于微信公众号AIGC开放社区（ID：AIGCOPEN），作者：AIGC开放社区，授权转载发布。

5月9日，谷歌DeepMind和Isomorphic Labs联合发布了最新预测蛋白质等结构的大模型——AlphaFold3。

据悉，AlphaFold3可以通过准确预测蛋白质、DNA、RNA、配体等的结构以及它们之间的相互作用，增强人类对新药的发现方法与效率。

例如，用AlphaFold3去预测新冠病毒（COVID-19）的刺突蛋白结构，深度解读病毒与宿主细胞ACE2受体之间的相互作用关系。

医疗研究人员便能基于该结构的完整信息快速开发一种小分子药物，阻断新冠与ACE2的结合，从而有效地阻止病毒的入侵、复制和传播。再经过多轮动物、临床、人体的实验，一款特效药、疫苗就能快速诞生了。

所以，不少医学领域的科学家对AlphaFold3的评价非常高，认为AI也有机会去竞争医学领域的诺贝尔奖。

目前，AlphaFold3已经免费提供在线使用，手稿论文已在全球顶级期刊《自然》上发布，稍后会推出编辑整理版。

论文地址:https://www.nature.com/articles/s41586-024-07487-w#citeas

谷歌表示，自AlphaFold系列模型发布以来，全球数百万科研人员在其帮助下实现了多项技术突破，在疟疾疫苗、癌症治疗和酶设计等获得了大奖。

最新发布的AlphaFold3是在2代模型基础之上研发而成，并且使用了全新扩散模型、Pairformer等创新模块，进一步增强对蛋白质的预测准确率以及架构解读。

解读AlphaFold3创新模块

从AlphaFold3的论文来看，虽然AlphaFold2在预测蛋白质结构方面已经很优秀，但研究人员为了进一步提升其准确率和泛化能力，在AlphaFold3引入了生成式AI领域非常火的扩散模型。

使用扩散模型的好处是，可以直接在原始原子坐标上操作，而不需要依赖于氨基酸特定的框架或侧链扭转角度。这种直接预测原子坐标的方法有助于减少立体化学的损失。

其核心思想是将结构预测问题转化为一个逆向过程，从带有噪声的坐标中恢复出真实的生物分子结构。这个过程通过逐步去噪，逐渐精细化结构预测。可指导AlphaFold3学习如何从噪声数据中恢复出准确的蛋白质结构信息。

在上一代AlphaFold2模型中，Evoformer模块对准确预测蛋白质结构发挥了重要作用，负责处理多序列比对（MSA）表示、成对表示和单个残基表示。但Evoformer也有一个非常致命的缺点，就是对算力的消耗非常大，不适用于批量大规模业务。

所以，在AlphaFold3中用Pairformer替代了Evoformer模块，彻底去除了对MSA表示的处理，只保留了简单、高效的成对表示和单个残基表示。

Pairformer模块只有4个transformer块组成，仅使用简单的加权平均方法处理MSA表示，接着所有信息都通过成对表示传递给48个标准的transformer块进一步处理数据。

这种巧妙的设计不仅极大节省了算力，还提升了AlphaFold3的预测泛化能力，可轻松预测各种非天然化合物。

根据谷歌公布的测试数据显示，AlphaFold3的准确性比 PoseBusters 基准测试中最佳传统方法高出50%，这也是首个超越基于物理的生物分子结构预测AI模型。

为什么预测蛋白质结构很重要

所有的植物、动物和人类细胞内部都有数十亿的分子机器，并由蛋白质、DNA等多种分子组成。

但是，这些分子并不是独立工作的，它们需要互相配合才能完成复杂的生命活动。只有通过研究这些分子如何协同工作，我们才能真正理解生命的运作过程。

例如，当你吃东西的时候体内的消化酶（一种蛋白质）就开始工作，帮助你分解食物。消化酶需要与食物中的分子相互作用，把大的分子分解成小的分子，身体才能吸收这些营养物质。

因此，蛋白质在所有生物过程中都扮演关键角色，包括细胞信号传递、免疫反应、代谢和细胞结构维持等。

很多疾病，例如，癌症、阿尔茨海默病、心血管疾病等，都与蛋白质的异常功能或折叠有关。

只有通过预测和理解特定蛋白质的结构，医疗科学家可以更好地理解疾病的分子基础，进而发现疾病的成因和潜在的治疗目标，加速医药的研发进程。