最近 Google DeepMind 发布了一篇博客文章，介绍了 他们的 AlphaFold 3 模型，内容如下。

自 2020 年推出以来，超过 200 万研究人员已经在疫苗开发、癌症治疗等研究中使用了 Google DeepMind 的 AlphaFold 2 模型进行蛋白质结构预测，成功解决了科学家们研究了超过 50 年的难题。尽管已经帮科学家们预测了数亿个蛋白质结构，团队并没有因此停下脚步。

他们开始着手研发 AlphaFold 3。今年 5 月，Google DeepMind 和 Isomorphic Labs 团队推出了这一更新的模型。与之前的版本相比，AlphaFold 3 不仅能够预测蛋白质的折叠结构，还可以预测所有生命分子的结构和相互作用，包括 DNA，RNA 和配体（ligands，小分子物质，与蛋白质结合）。

“通过 AlphaFold 2，我们在这个数十年来未解的蛋白质折叠问题上取得了重大突破，但最近的高影响力研究显示，研究人员的关注点已经超越了这一领域。” Google DeepMind 的研究科学家 Jonas Adler 说道，“他们的研究结论更多地涉及到更细致的内容，如小分子的结合或 RNA，而这是 AlphaFold 2 无法实现的。实验的进展推动了领域的前沿，因此，为了站在今天生物学和化学的前沿，我们需要能够研究所有生物分子。”

“‘所有生物分子’包括占所有药物约一半的配体 (ligands)。” Isomorphic Labs 的研究负责人 Adrian Stecula 表示，“我们非常看好 AlphaFold 3 在合理药物设计中的巨大潜力，并已经将其应用到日常工作中。例如，我们研究新型小分子如何与药物靶点结合，回答诸如‘蛋白质如何与 DNA 和 RNA 结合？’等问题，并且研究化学修饰对蛋白质结构的影响。新的模型解锁了这些新功能。”

加入这些额外的分子类型后，可能组合的数量增加了一个数量级。“蛋白质是非常有序的，比如说，只有 20 种标准氨基酸。” Jonas 解释道，“而小分子的组合则几乎是无限的——它们可以有各种各样的形式，非常多样化。”

AlphaFold Server 让研究人员能够使用 AlphaFold 3。

这也意味着，制作一个包含所有这些功能的数据库几乎是不可能实现的。因此，我们推出了 AlphaFold Server，这是一个免费工具，科学家们可以将他们的序列输入，然后 AlphaFold 针对这些序列生成分子复合物。自今年五月上线以来，研究人员已经利用它生成了超过 100 万个分子结构。

“这就像是分子复合物的 Google 地图，”Google DeepMind 的研究工程师 Lindsay Willmore 说。“任何不会编程的用户，只需将他们的蛋白质、DNA、RNA 序列或小分子名称复制粘贴进去，按下按钮，等待几分钟即可。结果会显示出来，包括结构和置信指标，这样他们就能查看并评估这些预测结果。”

为了让 AlphaFold 3 能够处理更多种类的生物分子，团队大幅扩展了新模型的训练数据，包含了 DNA、RNA、小分子等更多内容。“我们决定，用以前帮助我们在蛋白质方面取得成功的所有数据来训练，看看我们能达到什么程度，”Lindsay 说。“结果发现我们取得了相当不错的成果。”

AlphaFold 3 进行了一个重要改进，其生成蛋白质结构的模型架构发生了变化。以前 AlphaFold 2 采用的是一个复杂的几何模块，而 AlphaFold 3 则采用了一种基于扩散 (diffusion) 的生成模型，类似于我们其他前沿的图像生成模型，如 Imagen 。这种改进极大地简化了模型处理各种新分子类型的方式。

不过，这种转变也带来了新问题：因为蛋白质的“不规则区域”没有包括在训练数据中，导致扩散模型会试图生成一个不准确的“有序”结构，有明确的螺旋形状，而不会预测不规则区域。

于是，团队转向 AlphaFold 2，它已经非常擅长预测哪些交互会是不规则的——看起来像一堆乱糟糟的意大利面——以及哪些是有序的。Lindsay 说道：“我们利用 AlphaFold 2 预测的这些结构来进行蒸馏训练 (distillation training)，以便 AlphaFold 3 能够学会预测这些不规则区域。”

Jonas 补充道：“我们有一句格言：‘Trust the fusilli, reject the spaghetti”

AlphaFold 3 的一个预测示例中，蓝色表示规则的“螺旋”区域，橙色表示无序的“意面”区域。这些颜色代表模型对预测结果准确性的置信度。

团队非常期待研究人员能够利用 AlphaFold 3 推动基因组研究、药物设计等领域的发展。

“看到我们的进步，真是不可思议，”Jonas 说。“以前非常难的问题现在变得很简单。以前不可能解决的问题现在有了解决的可能。尽管仍有许多难题等待解决，但我们对 AlphaFold 3 的潜力感到非常兴奋，它将帮助我们攻克这些难题。”