医学领域重大突破！谷歌发布最新AI模型AlphaFold 3，有望彻底改变药物发现

　　谷歌DeepMind发布了AlphaFold的新版本，这是一个变革性的机器学习模型，可以预测蛋白质的形状和行为。

　　AlphaFold 3不仅更加准确，而且还能预测与其他生物分子的相互作用，使其成为一种用途更广的研究工具。同时该公司将在网上免费提供该模型的有限版本。

　　01.谷歌正式发布AlphaFold 3

　　从2018年第一个AlphaFold首次亮相以来，该模型一直是根据组成蛋白质的氨基酸序列预测蛋白质结构的领先方法。

　　虽然这听起来像是一项相当小众的研究，但从分子水平上理解蛋白质，就像是它们在我们体内执行着几乎无穷无尽的各种任务，这几乎是所有生物学的基础。

　　近年来，AlphaFold和RoseTTaFold等计算建模技术取代了昂贵的实验室方法，加速了多个领域成千上万研究人员的工作。

　　DeepMind创始人Demis Hassabis在一次关于新系统的新闻发布会上表示：“每一个模型都只是前进道路上的一步。”

　　公司曾在去年年底预告过这一系统的发布，但这次是它的正式亮相。各种改进和建模技术使AlphaFold 3不仅更加准确，而且适用范围更广。

　　蛋白质建模的局限之一在于，即使知道氨基酸序列的形状，也并不意味着一定可以知道它将与哪些其他分子结合，以及如何结合。如果用户想真正利用这些分子做些事情，需要通过更费力的建模和测试来找出答案。

　　Hassabis表示：“生物学是一个动态系统，用户必须了解生物学特性是如何通过细胞中不同分子之间的相互作用而产生的。可以把AlphaFold 3视为我们为此迈出的第一步。”

　　02.强大的模型性能

　　当然，AlphaFold 3能够模拟蛋白质与其他蛋白质的相互作用，也能模拟其他生物大分子，其中重要的是DNA和RNA链。

　　AlphaFold 3可以同时模拟多个分子，例如一条DNA链、一些DNA结合分子和一些离子。

　　下面就是这种特定组合的结果，DNA带从中间向上，蛋白质粘在边上，离子像鸡蛋一样嵌在中间：

　　当然，这本身并不是科学发现。但是，即使要弄清一种实验蛋白质到底会不会结合，或以这种方式结合，或扭曲成这种形状，一般也至少需要数天甚至数周至数月的时间。

　　在过去几年中，研究人员在很大程度上受制于交互建模的缺乏和模型部署的困难。

　　第二个问题也许是两个问题中更大的问题，因为虽然新的建模技术在某种意义上是“开放”的，但与其他人工智能模型一样，它们的部署和操作并不一定简单。

　　这就是为什么谷歌DeepMind要提供AlphaFold服务器的原因，这是一个完全托管的免费网络应用程序，可用于非商业用途。

　　AlphaFold服务器是免费的，而且非常容易使用。用户只需要一个谷歌账户，然后向它输入它能处理的序列和类别(提供了一些示例)，然后提交;几分钟后，工作即可完成，用户会得到一个实时三维分子，其颜色代表了模型对该位置构象的信心。

　　正如上图所示，色带的顶端和那些更容易暴露在游离原子中的部分颜色较浅或为红色，表示可信度较低。

　　当被问及公开的模型和内部使用的模型是否有真正的区别时，Hassabis表示：“我们已经提供了新模型的大部分功能”，但没有正面回答问题。

　　这显然是谷歌在施展自己的影响力，同时在某种程度上也将最好的部分留给了自己。

　　制作这样一款免费的托管工具需要投入大量的资源，对谷歌来说，也是一个昂贵的共享软件版本。目的是让全世界的研究人员相信，AlphaFold 3至少应该是他们的一把利剑。

　　正如Hassabis所言，如今人人都在使用计算工具，但Isomorphic却率先使用了DeepMind的最新模型，并将其与“药物发现方面的一些专有技术”相结合。该公司已经与礼来公司(Eli Lilly)和诺华公司(Novartis)建立了合作关系。

　　不过，AlphaFold并不是生物学的全部，它只是一个非常有用的工具，无数研究人员都会同意这一点。该实验室正在将AlphaFold这样的计算工具应用于药物设计，从而实现Isomorphic的Max Jaderberg所说的“理性药物设计”。

　　Hassabis补充道：“我们想一想，这对Isomorphic Labs的日常工作有什么影响?”

　　“答案很显然， 它让我们的科学家、我们的药物设计人员能够在原子水平上创建和测试假设，然后在几秒钟内做出高度准确的结构预测。同时帮助科学家推理应该进行哪些相互作用，以及如何推进这些设计以创造出好的药物。”

　　“这与通过实验完成这项工作所需的数月甚至数年时间相比，简直是天壤之别。”

　　03.模型发布存在争议

　　虽然很多人会庆祝这一成就以及像AlphaFold Server这样的免费托管工具的广泛可用性，但其他人可能会正确地指出，这并不是开放科学的真正胜利。

　　与许多专有的人工智能模型一样，AlphaFold的训练过程和基本组成部分，在很大程度上被隐瞒了，而且隐瞒得越来越多。

　　虽然发表在《Nature》上的这篇论文确实详细介绍了它的创建方法，但很多重要的细节和数据都没有公开，这意味着想要使用这个地球上最强大的分子生物学工具的科学家们将不得不在Alphabet、谷歌和DeepMind的监视下使用它。

　　开放科学的倡导者多年来一直在说，虽然这些进步非常了不起，但从长远来看，公开分享这类东西总是更好的。

　　毕竟，科学就是这样发展的。事实上，世界上一些最重要的软件也是这样发展的。

　　将AlphaFold服务器免费提供给任何学术或非商业应用，在很多方面都是非常慷慨的行为。但是，谷歌的慷慨很少是没有附加条件的。

　　毫无疑问，许多研究人员还是会利用这段时间，在付费之前尽可能多地使用该模型。