原創(chuàng) 世超 差評

最近，世超再次被發(fā)現(xiàn) AI 新聞被刷屏了，最初開發(fā)出來的。 AlphaGo ，谷歌DeepMind下棋哭柯潔。 企業(yè)，在 Nature 上面公布了最新一代 AlphaFold 3 模型。

AlphaFold ，這個名字聽起來有點像折疊手機型號，是他家專門預測蛋白質結構的新名字。 AI 。

可以預測生物體內絕大多數的分子結構。這意味著從那以后，生物醫(yī)學研究真的開始了。 · 從第三個角度來看，任何生物分子的作用機制都會從黑盒中打開，變成透視。

許多媒體和網民開始歡呼， 21 這個世紀，真正成為生物的世紀。。

了解這次新發(fā)布的內容 AlphaFold 3 我們首先要知道有多牛， DeepMind 和它的 AlphaFold ，曾經給分子生物圈帶來了多大的震撼。

在九年義務教育中，我們都學會了生物中最常見的物質是蛋白質。要了解生物分子的底層原理，我們必須知道每種蛋白質是什么樣子的。

這么說吧，現(xiàn)在 AlphaFold 在此之前，大家對蛋白質結構的預測主要有兩種方法，

一是用 X 光照蛋白質晶體，即先拍片子再分析片子，再了解其長什么樣。第二，磁共振 ( NMR ) 光譜，拍攝大致的形狀輪廓，然后推斷其結構。

這些傳統(tǒng)方法不僅慢，而且適用范圍小，需要不斷的試錯和費用。每次拍一部電影，都要花幾萬塊錢，抵得上一輛小米。 su7 。

這就是為什么生物學家對蛋白質的研究需要很多經驗。。。只有有經驗的老師傅，蛋白質神仙，才能更快地猜出蛋白質的精確形狀，少拍電影。

所以人們想知道，這種需要經驗總結的工作是否可以依賴。 AI 解決呢？DeepMind 來做這件事吧，為了克服傳統(tǒng)的拍攝問題，第一代 AlphaFold 在選擇技術路線時，攤牌：

不拍片子！

由于蛋白質由氨基酸組成，初代蛋白質 AlphaFold 使用這些蛋白質中每一對氨基酸之間的距離，鏈接視角，將這些蛋白質中每一對氨基酸的距離，匯總成一張圖片， AI 用神經網絡消化它們，然后讓它們消化。 AI 做出自己的預測。

而 2018 年第一代 AlphaFold 一經發(fā)布，就技驚四人，力壓一群實驗室老師傅，獲得第一名。 13 預測蛋白結構的比賽 ( CASP ) 冠軍。

AI ，很神奇吧。

不過，初代 AlphaFold 有一個問題，它更依賴于局部數據的特性來訓練，它不能提取遠元素之間的關系。就像一個只會寫短文卻學不會寫經典小說的作家。

問題是，很多蛋白質分子都有長期的依賴性，這使得第一代 AlphaFold 實力有些捉襟見肘。

好在 2020 年發(fā)布的 22222Alpha.0 ，用上后來在 ChatGPT 上大火的 Transformer 模型。

Transformer 模型注意機制，則完美地解決了遠距離氨基酸的問題，進步有多大？

2018 年度蛋白結構預測比賽 1.0 這個版本的準確度沒有達到 60 分，可是 2020 年比賽里 2.0 這個版本得到了驚人的 92.4 分，它所能產生的范圍已經包含了人類已知的蛋白質。 98% ，更為重要的是它完全開源。

可以說， 2.0 該版本已基本解決了單鏈蛋白質的預測問題， 2021 年，基于 2.0 改版的 AlphaFold-Multimer 發(fā)布，還支持多鏈，在準確性上也取得了突破，預測蛋白質間功效的準確性超過 70% 。

因此，如今許多企業(yè)也使用了它們，甚至幫助了國外一些新冠肺炎疫苗的研發(fā)。

但在 DeepMind 看起來，蛋白質結構預測的勝利，還遠遠沒有完成。 AI 因為生物體內的復雜分子結構不僅包括蛋白質，還包括核酸、小分子配體等，

就像你花了十年時間學習如何解鎖鑰匙一樣。結果你一開始發(fā)現(xiàn)大家都用指紋鎖密碼鎖，用傳統(tǒng)鑰匙的人太少了！

所以這次 AlphaFold 3 ，它們更新了一個更好的全面模型，不僅可以預測蛋白質 DNA RNA 等待各種小分子，也可以揭示他們之間的相互作用。

那么，這是怎么做到的呢？回答是，他們已經使用了。 Diffusion 。

是的，是著名的擴散模式，在這里 AI 畫火的時候，相信大家都聽說過。其原理是不斷地對原始圖像進行編碼，然后讓原始圖像進行編碼。 AI 學著預測這些馬賽克的形成過程，然后反過來實現(xiàn)從馬賽克到圖像的形成。

不過，如同 AI 畫畫生成不好的手指， Sora 椅子視頻會穿模一樣， Diffusion 加持下的 AlphaFold 3 還可以預測錯誤，尤其是在一些看起來相似難以區(qū)分的結構上，比如你在高中有機化學中學到的手性分子。

所以在這些容易出錯的地方， DeepMind 使用了一種叫做交叉蒸餾的操作，說到底就是讓有的有。 Transform 模型 2 先預測版本，然后將預測數據添加到版本中。 AlphaFold 3 在訓練中，也就是相當于讓步。 2 代表老師，帶著 3 代表別人做，這樣可以減少預測失誤。

效果有多好？直接看官方圖吧？

AlphaFold 3 對 7BBV - 酶 ( 它存在于一種土壤真菌體內 ) 酶蛋白是一種預測（ 藍色 ）、離子（ 黃色圓球 ）和單糖（ 黃色 ）與真實構造（ 灰色 ）幾乎重疊

AlphaFold 3 對于感冒病毒刺突蛋白（ 藍色 ）與抗體（ 綠松石色 ）和單糖（ 黃色 ）相互作用時的結構預測，與真實結構精確匹配（ 灰色的）

AlphaFold 3 預測蛋白質復合物，其中蛋白質（ 藍色 ）與 DNA （ 粉色 ）結合實驗測定的預測模型和真實分子結構。（ 灰色 ）幾乎完美的匹配

精度除了生成質量相當哇塞外，還遙遙領先于原子級。蛋白質和核酸配體的模擬比其他產品更好，抗原抗體的模擬也更好。

而操作 33AlphaFold 那就更容易了。使用 ChatGPT ，我們還是要想辦法提出一個好問題，寫完提示詞，但是在 AlphaFold 3 ，您只需輸入一些分子目錄，它就可以計算出它們是如何組合在一起的。

想象一下生物大分子模型，它原本需要花費大量的時間、精力和金錢才能看到。現(xiàn)在只需要在網站上輸入參數，然后點擊，十分鐘后就可以產生高清晰度和精度的生物大分子模型。

甚至細胞系統(tǒng)內部的生化過程、現(xiàn)象、 DNA 如何發(fā)揮作用，如何進行藥物和激素反應，也都可以在很短的時間內被整理出來。

這些遙遙領先的數據和大家的熱情似乎都在說:這次發(fā)布不再是跳躍性的提升，而是革命性的突破，整個傳統(tǒng)的生物醫(yī)學研究方法似乎都在改變。

但是世超認為，樂觀是好的，但是科學這個東西除了樂觀之外，還需要中肯和嚴謹。

各行各業(yè)的媒體和網民都在 “ 爆裂 ” “ 顛覆 ” “ 改變命運 ” 當時圈子里有很多對的大佬，也發(fā)表了一些對的。 AlphaFold 3 的評價。

比如顏寧教授的團隊發(fā)現(xiàn)， 3.0 這個版本在一次糖蛋白預測中翻了個底朝天，表現(xiàn)甚至不如上一代。

還有很多科學家吐槽 3.0 相比 2.0 還沒有開源，使用次數也有限。

甚至，也有人質疑 DeepMind 的老板 Hassabis ，他自己也創(chuàng)立了一個家庭 “ 專注于人工智能藥品企業(yè) ” ，號稱要 “ 利用人工智能對藥物進行重新定義 ” ，但從 2021 今天，他們還沒有推出任何藥物。

當然，這有點尷尬。畢竟在藥物研發(fā)過程中，蛋白質結構問題只是其中的一小部分，并不能對藥物研發(fā)的進度產生決定性的影響。。。

總而言之，世超感覺 AlphaFold 三代商品確實令人欣慰，但在漫長的生命科學實踐中，它仍然有許多問題需要突破。但歸根結底，進步總是好事。我希望 DeepMind 可以再好一點，做快一點。

發(fā)文：納西 編輯：江江 & 面線 封面：煥妍

圖片，資料來源：

nature：Accurate structure prediction of biomolecular interactions with AlphaFold 3

Google：AlphaFold 3 predicts the structure and interactions of all of life’s molecules

Google：Build AI responsibly to benefit humanity

Google：AlphaFold Server

exxact: AlphaFold Update Drastically Improves Accuracy in Docking, Nucleic Acids, & PTMS

微博 ：@個人主頁nyouyou

知乎：谷歌 DeepMind 推出新一代藥物研發(fā) AI 模型 AlphaFold 三是有什么重要意義？

zaker: 剛剛，AlphaFold 3 登上 Nature：所有的生命分子結構和相互作用， AI 預測了

本文僅代表作者觀點，版權歸原創(chuàng)者所有，如需轉載請在文中注明來源及作者名字。

免責聲明：本文系轉載編輯文章，僅作分享之用。如分享內容、圖片侵犯到您的版權或非授權發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com