Google DeepMind 与 Isomorphic Labs 发布 AlphaFold 3

背景

蛋白质的功能很大程度上取决于它的三维结构，以及它与其他分子怎样结合。用实验手段测定这些结构既慢又贵，因此从序列和组成出发预测结构，一直是计算生物学的重要目标。结构预测也因此成为机器学习在自然科学中最受关注的应用之一，而每一代预测系统，人们最关心的往往是它能不能处理前代方法处理不了的情形。

发布

2024 年 5 月 8 日，Google DeepMind 与 Isomorphic Labs 发布 AlphaFold 3。^[1] 与发布同时，Nature 刊出了介绍该系统的论文。^[1] 此前的 AlphaFold 主要围绕蛋白质展开，AlphaFold 3 则预测蛋白质、DNA、RNA、配体（ligand）等多种分子的结构及其相互作用。^[1] 配体指与较大分子结合的小分子，这类结合正是许多「细胞如何运作」「候选药物如何贴到靶点上」问题的核心。

做法

AlphaFold 3 使用扩散网络（diffusion network），从一团原子出发，经过许多步逐步收敛。^[1] 扩散模型不是一块一块地搭出结构，而是先给出一个无序的排布，再反复修正，每一轮都把原子挪向更合理的构型，经过多步之后收敛到一个与输入相符的排布。同一套机制需要同时处理好几种分子，这也是它能给出一个复合体的整体图像、而不是为每个部分单独给出一个形状的原因。

结果

Google 报告称，在蛋白质与其他类型分子的相互作用上，AlphaFold 3 相比已有方法至少提升 50%。^[1] 在 PoseBusters 基准上，据报告它的准确率比没有提供结构输入时最好的传统方法高 50%。^[1] Google 还称，AlphaFold 3 是第一个在生物分子结构预测上超过基于物理的工具的 AI 系统。^[1] 基于物理的工具依靠物理与化学的能量项计算结构，而不是从数据中学习规律，长期以来一直是衡量各种预测方法的标准。

获取方式

发布时上线的免费 AlphaFold Server，让科研人员可以把它用于非商业研究。^[1] 代码与权重随后也以非商业用途开放：2024 年 11 月起可提出申请获取，2025 年 2 月起公开发布。^[2] 这种分阶段的开放方式意味着，在一段时间里，拿不到模型文件的研究者也可以通过托管服务使用它。

意义

细胞里发生的许多事情，都是分子彼此识别、彼此结合。因此，一个既能预测单个分子形状、又能预测相互作用的系统，可以拿来回荅比「只做蛋白质折叠」更宽的一类问题。从单条链走到蛋白质、核酸与小分子组成的复合体，改变的是结构预测工具的用途：不只是某个分子长什么样，而是一组分子放在一起怎样排列。由开发方自己提出的「AI 系统超过基于物理的方法」这一说法，标志着这类工具与既有计算方法之间的位置关系发生了变化。^[1] 2025 年代码与权重的公开发布，则把模型本身交到了外部研究者手中，供非商业研究使用。^[2]