谷歌搅局AI制药，进击的AlphaFold3模型

　　结构生物学是生物学的核心领域之一，其核心任务是揭示生物分子的三维结构，这对于理解其功能和行为至关重要。

　　传统的结构测定方法，如X射线晶体学和核磁共振(NMR)技术，虽然强大，但费时且成本高昂。随着计算能力的提高和算法的进步，计算结构预测(CSP)已成为一个重要的补充手段。

　　不过，谷歌AlphaFold3模型问世，或许标志着CSP领域达到了一个新的高度。日前，Nature上发表的关于AlphaFold3模型的介绍，为我们揭示了这一点。

　　之前的AlphaFold 模型于 2020 年发布，其预测蛋白质结构的能力让研究界感到惊讶，但研究人员一直在呼吁该工具能够处理的不仅仅是蛋白质。现在，AlphaFold 3，可以预测DNA、RNA和配体等分子的结构，这对药物发现至关重要。

　　并且，在部分领域，AlphaFold 3预测精准度较高。对于蛋白质与其他分子类型的相互作用，与现有的预测方法相比，我们看到至少提高了50%，对于一些重要的相互作用类别，我们的预测精度提高了一倍。

　　DeepMind联创兼CEO哈撒比斯表示，AlphaFold 3是人类了解生物学动态系统历史性的第一步。

　　那么，AlphaFold 3能否搅局AI制药呢?

　　/ 01 / AlphaFold3的进击

　　AlphaFold3是DeepMind公司继AlphaFold2之后的又一力作，它不仅继承了前代模型的优势，还通过一系列创新性的架构改进，极大地提高了预测的准确性和泛化能力。

　　总体而言，AlphaFold3在多个方面展现了其卓越的性能。

　　首先，是在蛋白质-配体相互作用，在与配体结合的蛋白质结构预测上，AlphaFold3的准确性远超现有的对接工具。

　　蛋白质与小分子配体的相互作用是药物作用机制的核心。AlphaFold3通过其先进的深度学习算法，能够精确预测蛋白质与配体结合的三维结构，这对于理解药物如何与其靶点相互作用至关重要。

　　根据介绍，AlphaFold3的预测结果可以与实验数据相媲美，为药物设计提供了高分辨率的结合位点图像。这对于新药开发还是现有药物优化，都能提供显而易见的帮助。

　　新药开发方面，可以通过AlphaFold3预测的蛋白质-配体结构，研究人员可以更有效地筛选和设计新药候选物，加速药物发现流程。

　　现有药物优化翻一面，该工具还可以用于优化现有药物，通过改进其与靶蛋白的结合模式来增强疗效或减少副作用。

　　其次，是蛋白质-核酸相互作用。蛋白质与核酸的相互作用在调控基因表达和遗传信息传递中扮演着关键角色。

　　在蛋白质与核酸复合物的结构预测上，AlphaFold3的准确性也显著优于专门的核酸预测工具。AlphaFold3在这一领域的应用，为理解复杂的调控网络提供了新的视角。

　　例如，在基因调控机制方面，AlphaFold3能够揭示转录因子与DNA或RNA的结合细节，有助于理解细胞如何调控基因表达。

　　而在RNA结构预测领域，该工具在预测RNA结构方面表现出色，这对于理解RNA在生命过程中的功能至关重要。

　　这些优势，最终在药物设计方面得到体现。通过AlphaFold3预测的蛋白质-核酸复合物结构，可以设计出靶向特定核酸的小分子，为治疗某些疾病提供新策略。

　　最后，是抗体-抗原预测。AlphaFold3在抗体-抗原复合物的预测上取得了显著进步，这对于药物设计和疫苗开发具有重要意义。

　　毕竟，抗体-抗原相互作用在免疫系统中起着至关重要的作用，也是疫苗设计和药物开发的关键因素。

　　根据介绍，AlphaFold3可以预测病毒表面蛋白或抗原的结构，帮助科学家设计出能够诱导强烈免疫反应的疫苗。

　　该工具还可以用于设计单克隆抗体，这些抗体可以特异性地识别和中和病原体，为治疗癌症和其他疾病提供新途径。

　　另外，AlphaFold3预测的抗体-抗原结构有助于理解某些疾病的免疫逃逸机制，为开发新的治疗策略提供线索。

　　/ 02 / AI制药的搅局者

　　AlphaFold3的推出是计算结构生物学领域的一个重要里程碑。它不仅极大地提高了预测的准确性，还扩展了可预测的生物分子类型。随着技术的不断完善和应用的深入，AlphaFold3有望在生命科学研究和医疗健康领域发挥更大的作用。当然，与所有的AI制药技术一样，AlphaFold3并不完美。

　　就技术本身而言，其存在诸多bug。比如，立体化学问题，模型有时无法准确预测分子的手性中心，导致结构预测出现立体化学错误。

　　再比如“幻觉现象”问题，生成式模型可能会在无序区域产生非真实的结构，这种现象被称为“幻觉”。

　　以及“动态行为”的挑战，AlphaFold3主要预测静态结构，对于生物分子的动态行为预测仍然是一个挑战。

　　种种因素导致，与大多数模型一样，AlphaFold的影响将取决于其预测的准确性。

　　在某些用途上，AlphaFold 3 的成功率是 RoseTTAFold 等类似领先型号的两倍。但对于其他的，比如蛋白质-RNA的相互作用，AlQuraishi说它仍然非常不准确。

　　DeepMind表示，根据所建模的交互，准确率可以从40%到80%以上不等，该模型将让研究人员知道其预测的可信度。由于预测不太准确，研究人员在采用其他方法之前只能将AlphaFold3作为起点。

　　也就是说，AlphaFold3要想成为搅局者，必须让更多使用者信服这门技术。这，或许需要继续迭代。

　　当然，尽管存在挑战，AlphaFold3无疑已经在结构生物学和药物设计领域迈出了坚实的一步。期待未来更多的工具，能够赋能新药研发，为患者带来更为有效的治疗手段。