AlphaFold 数据库扩展到 2 亿多个蛋白质结构

这个数据库里是什么

AlphaFold 蛋白质结构数据库是一个公开的蛋白质结构集合，里面的结构由 DeepMind 的 AlphaFold 预测得到。蛋白质的功能与它折叠成的三维形状密切相关，有了形状模型，研究者就有了一个起点，可以据此追问某个蛋白质做什么、能否被干扰。

2022 年 7 月 28 日发生了什么

这一天，DeepMind 与欧洲分子生物学实验室的欧洲生物信息研究所（EMBL-EBI）一起，把数据库从近 100 万个预测结构扩展到 2 亿多个^[1]。新的集合覆盖了科学界已编目的几乎所有蛋白质，而不只是被研究得最多的那一部分^[1]。这次发布是与 EMBL-EBI 合作完成的，该机构负责托管和维护这一资源^[1]。

发布的关键细节

所有结构都可以通过 Google Cloud Public Datasets 批量下载，这样研究团队可以取走整个档案，而不必逐条查询^[1]。扩展后的数据库包含植物、细菌、动物和其他生物的预测结构，并不限于人类和少数模式物种^[1]。由于这些结构与广泛使用的蛋白质序列目录 UniProt 相连，扩展之后 UniProt 的大多数页面都会附带一个预测结构^[1]。

DeepMind 同时给出了这一资源的使用规模：到扩展发布时，已有来自 190 个国家的 50 多万名研究者访问过该数据库^[1]。相关公告由 Demis Hassabis 撰写，发表在 DeepMind 的博客上^[1]。

规模为什么重要

达到这个量级之后，结构信息的使用方式会发生变化。当一个蛋白质的结构可以直接查到，实验室就不必把「先拿到形状」当成一个独立项目再去做实验，结构变成了一条普通的背景信息，和序列本身差不多。批量下载的意义也在这里：可以一次性分析整个蛋白质组，而不是一条一条地看，也方便把整份档案镜像下来或嵌入别的工具。

生物覆盖面的扩大是另一半变化。植物、细菌和其他生物的结构，让同一个资源可以服务于更宽的问题，从作物生物学到那些从未被细致研究过的微生物蛋白质^[1]。

它不是什么

预测结构是模型，不是实验测量结果；数据库里的一条记录对研究者来说是起点，而不是结论。这次扩展的价值在于覆盖面与可获得性：数亿个模型可以批量下载，并与人们已经在用的序列记录放在一起^[1]。