所有生命分子一夜皆可AI预测!AlphaFold 3改变人类对生命的理解,全球科学家都能免费使用
梦晨 明敏 发自 凹非寺
量子位 | 公众号 QbitAI
AlphaFold 3再登Nature!
这次重磅升级,不再仅限于蛋白质结构预测——可以以前所未有的精度预测所有生命分子的结构和相互作用。
只有了解它们如何在数百万种组合中相互作用,我们才能开始真正理解生命的过程。
这次的最大创新之一,是用上了AI绘画上常见的去噪扩散模型,直接生成每个原子的3D坐标。
现在,AlphaFold 3对普通感冒病毒Spike蛋白(蓝色)的结构预测,灰色部分为预测结果。这能让人类更进一步了解冠状病毒。
对蛋白质和DNA结合的分子复合物进行预测,其预测结果与真实结构几乎一致。
在不输入任何结构信息的情况下,AlphaFold3预测准确度比现有方法提高了50%,对于部分相互作用类别甚至提高了1倍。
这使得AlphaFold 3成为首个超越基于真实生物分子结构预测工具的AI系统。
而且全球科学家通过AlphaFold服务器即可免费访问使用AlphaFold 3进行非商业研究(开放大部分功能)。
DeepMind联创兼CEO哈撒比斯在发布会上非常肯定地表示,AlphaFold 3是人类了解生物学动态系统历史性的第一步。
网友都纷纷感慨:这就是AI的用处所在啊。
用扩散网络生成预测结果
事实上,在AlphaFold 3之前还进行过一系列小规模更新,重点提高了对蛋白质复合体的预测精度。
所以总结下来:
AlphaFold,开创了蛋白质结构预测的新时代
AlphaFold 2,大幅提高了预测精度
AlphaFold-Multimer,将预测范围扩展到具有多个蛋白质链的复合物
AlphaFold 2.3,它提高了性能并将覆盖范围扩大到更大的复合物
这次革命性的AlphaFold 3,继续将预测范围扩展到蛋白质、DNA、RNA以及一系列配体、离子和化学修饰等更多生物分子结构。
AlphaFold 3建立在AlphaFold 2的基础上,但在架构和训练过程上有很大改进:
遗传特征编码器(MSA module)被大幅简化,聚焦提取更关键的进化信息。
成对残基关系编码器(Pairformer)取代了原有的进化特征处理单元(Evoformer),增强了复杂相互作用模式的建模能力。
结构生成器从以氨基酸为中心,改为直接预测原子坐标,增加了处理通用分子结构的灵活性。
为了避免扩散方法在一些无结构区域产生幻觉,还引入了一种新的交叉蒸馏方法,通过AlphaFold-Multimer v2预测的结构数据来丰富训练数据。
更让人惊叹的是,AlphaFold 3即便在训练数据极度匮乏的领域,也展现出了惊人的泛化能力。
举个例子,在CASP15的RNA预测任务中,它在10个公开靶点上的平均表现超过了专门的RNA结构预测模型。要知道,这可是在几乎没有RNA训练数据的情况下实现的。
尽管AlphaFold 3在多个维度实现了突破,但它并非完美无缺。比如在对映异构、自相互作用等方面,它还存在一定局限性。
此外,它目前专注的是分子结构的静态预测,对动力学行为的刻画还不够。对人工合成分子的适用性也有待考证。
AlphaFold 3偶尔也会产生错误,对无序区域产生幻觉,导致对某些目标的预测准确性降低。
目前的缓解手段,是在生成时使用多个随机种子,确保正确的手性并避免蛋白质-配体轻微碰撞。
但瑕不掩瑜,AlphaFold 3的意义不仅在于具体指标的跃升,而是展示了用统一的深度学习架构,来建模复杂生命系统组件之间相互作用的可能性。
AlphaFold开始商业化
2021年AlphaFold一代推出后,谷歌DeepMind积极为其寻找商业化途径,并成立了Isomorhpic Labs公司。
这次虽然以谷歌DeepMind的名义新推出了免费的AlphaFold Server,号称科学家只需点击几下就模拟由蛋白质、DNA、RNA 以及一系列配体、离子和化学修饰组成的结构。
然而Nature报道指出,科学家对AlphaFold 3服务器的访问是有限的。目前每天只能进行10次预测,而且不可能获得可能与药物结合的蛋白质结构。
Isomorphic Labs正在使用AlphaFold3通过自己的管道或与其他制药公司合作开发药物。
审稿人也在线喊话哈撒比斯,自己从服务器上得到了非常好的结果,但是发布论文里为什么没有给代码?
他在审稿评论中列出了AlphaFold2代码发布后的一系列科学事件,它认为如果不公布代码就不会有如此多科学成果。
不过,可不要小看开源社区的力量。
可能不少人论文都没看完,开源复现工作就已经开启了。
虽然现在还只是空仓,但网友推测,对于复现过ViT、DALL·E 2、Imagen等工作的这位大神来说,可能几天之内就能完成。
目前Nature已经放出的AlphaFold3论文预印版。感兴趣的同学可以前去了解。
论文地址:
https://www.nature.com/articles/s41586-024-07487-w
参考链接:
[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
— 完 —
点这里👇关注我,记得标星哦~
微信扫码关注该文公众号作者