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