Google 旗下的 DeepMind，一夜之間讓學術界炸了鍋。
5 月 8 日，DeepMind 官宣了一個新的 AI 模型：AlphaFold 3。
相關的研究論文，發表在權威的《自然》雜誌上，一來就佔據了頭版。
ChatGPT 之後，AI 模型不計其數，但最有資格自稱改變世界的，可能只有 AlphaFold 3。
AlphaFold 超級進化，讓生物世界更加「高清」
我們在中學生物課上學過，蛋白質是由氨基酸通過肽鍵連接形成的長鏈分子，在空間中摺疊成複雜的三維結構。
三維結構決定了蛋白質的功能，直接影響了藥物設計和疾病治療。
可以説，蛋白質結構預測，是生物學最重要的命題之一。
但預測蛋白質的三維結構，是一件難事，往往需要複雜的實驗，甚至被形容為「困擾了生物學家 50 年的問題」。
2016 年，DeepMind 的 AlphaGo，戰勝了職業九段棋手，重寫了圍棋這門古老的技藝。
DeepMind 的 AlphaFold，則要探聽生物學的密碼，窺探生命本身的堂奧。
2018 年，AlphaFold 1 發佈。
2020 年，AlphaFold 2 面世，已經可以在幾分鐘內大規模地準確預測蛋白質的形狀，並精確到原子級別。
現在，我們迎來了 AlphaFold 3，一個野心更大的 AI：超越蛋白質，探索所有的生物分子。
生物分子，即構成生物體的分子，包括蛋白質、DNA、RNA 等。
DeepMind 認為，只有瞭解生物分子如何在數百萬種組合中相互作用，才能開始真正理解生命的過程。
一言以蔽之，AlphaFold 3 比起前代，覆蓋的範圍更廣了，可以準確預測蛋白質、DNA、RNA、配體等生物分子的結構，以及它們如何相互作用。
先來看一些 AlphaFold 3 的預測結果。
7PNM，是一種普通感冒病毒的刺突蛋白。
如圖所示，AlphaFold 3 對 7PNM（藍色部分）與抗體（綠色部分）、單糖（黃色部分）相互作用時的結構預測，與真實結構（灰色部分）吻合。
預測背後有其意義，把這類蛋白質研究清楚，科學家便能更瞭解免疫系統和包括新冠在內的冠狀病毒，甚至提出更好的治療方案。
除了蛋白質的結構，AlphaFold 還能預測分子複合物，即多個分子組成的複雜結構。
下圖的酶，來自一種對植物有害的土壤真菌。
AlphaFold 的預測結果，包含一個酶蛋白（藍色部分）、一個離子（黃色球體）和一些單糖（黃色部分），契合了真實結構（灰色部分）。
深入瞭解這種酶與植物細胞如何相互作用，可以幫助研究人員開發更健康、抵抗力更強的作物，給農業生產帶來實際的好處。
類似地，AlphaFold 3 預測了一個由蛋白質（藍色部分）、RNA 鏈（紫色部分）和兩個離子（黃色部分）組成的分子複合物，同樣和真實結構（灰色部分）高度匹配。
這種複合物參與蛋白質的合成，即細胞生命活動和健康的基本過程之一，研究意義同樣深遠。
展現預測結果的準確性，再強調相關的用途，DeepMind 想要告訴世界，AlphaFold 3 是一種「革命性的模型」。
一方面，研究範圍更廣了。把視野擴充到蛋白質之外，特別是配體等小分子，可以涵蓋更多的藥物。
另一方面，準確度也提高了。對於蛋白質與其他分子類型的相互作用，與現有的預測方法相比，AlphaFold 3 的精度至少進步了 50%。其中一些重要的相互作用，提升甚至達到了 100%。
這樣一來，AlphaFold 3 可以造福更多的研究，加速藥物設計、推動基因組學、研發更健康的作物、開發生物可再生材料……
説到技術原理，AlphaFold 3 基於 AlphaFold 2 改進，核心是 Evoformer 深度學習架構，並使用了類似 Midjourney 的擴散網絡。
使用 AlphaFold 3 的過程，有些像我們和大語言模型聊天。輸入對生物分子的描述，AlphaFold 3 生成這些分子的三維結構，並研究它們如何相互作用。
AlphaFold 3 給出預測結果的過程，類似逐步去噪的 AI 文生圖擴散模型，從模糊的原子雲開始，逐步匯聚成準確的分子結構。
講人話的生成式 AI，增強了格子間打工人的生產力。AlphaFold 對科學家們的意義，也不外如是。
在實驗室進行蛋白質結構預測，可能要花掉攻讀一個博士學位的時間，以及數十萬美元。上億個預測，怕是窮盡幾百萬人的一生也無法完成。
但有了 AlphaFold，科學家們可以提出大膽的問題、創新的假設，然後在實驗室進行測試，加速研究的進程。
DeepMind 的一句話，足以向普通人概括 AlphaFold 3 的意義：
將 AlphaFold 交給世界，等待科學發現的新文藝復興
之前為了嘲諷 OpenAI 的閉源，馬斯克給它起了個綽號：CloseAI。
投餵了 OpenAI 好幾篇論文的 Google，在某些方面更有開源的精神。
2021 年 7 月，AlphaFold 2 在 Nature 發佈了論文，也開源了代碼。
截至目前，AlphaFold 2 已用於預測數億個結構。全球數百萬研究人員，將 AlphaFold 2 用於瘧疾疫苗、癌症治療和酶設計等領域。
也是在 2021 年 7 月，DeepMind 和歐洲生物信息研究所（EMBL-EBI）合作，發佈了 AlphaFold 蛋白結構數據庫，提供了迄今為止最完整、最準確的人類蛋白質組圖景。
DeepMind 在官宣的博客裏提到，這是自人類基因組繪圖以來最重要的數據集之一，現在他們將 AlphaFold 的力量，免費交到全世界科研人員的手中。
一年之內，超過 50 萬研究人員使用了 AlphaFold 數據庫，查看了超過 200 萬個結構，加速解決塑料污染、抗生素耐藥性等現實問題。
自那以後，數據庫還在不斷地擴充。
2022 年 7 月，DeepMind 發佈了幾乎所有科學已知的蛋白質預測結構，總共超過 2 億個，除了人類，其中還包括了植物、細菌、動物和其他生物體的預測結構。
AlphaFold 數據庫，就像蛋白質結構的「Google 搜索」，也像一個繁星閃爍的蛋白質宇宙。蛋白質的三維結構是生命的基石，看起來又精緻美觀，讓人感嘆大自然造物的神奇。
不過，這次發佈的 AlphaFold 3，相比 AlphaFold 2，態度稍微顯得保守，招致了一些批評的聲音。
AlphaFold 3 目前沒有開源，不能在本地部署，研究人員只能通過 DeepMind 最新推出的研究平台 AlphaFold Server，免費訪問大部分功能，且用途是非商業的。
最阻礙科學進步的是服務的訪問次數：每天只能進行 10 次預測。
摳門行為的背後，DeepMind 可能有自己的商業考量——子公司 Isomorphic Labs 已經與製藥公司合作，將 AlphaFold 3 應用於藥物設計。
Google DeepMind 聯合創始人兼首席執行官 Demis Hassabis 樂觀地表示，首批 AI 設計的藥物可能會在未來幾年內準備好進行測試。
當然，AlphaFold 還是有侷限性的。
中國結構生物學家顏寧，曾經在 2022 年回答過關於 AlphaFold 2 會否替代科學家的話題。
在 Nav/Cav 方面，AlphaFold 2 依舊停留在他們 2017 年的水平，而在測試新型小分子與蛋白的相互作用時，AI 預測無一正確。
顏寧解釋，生物結構學不僅僅是關於摺疊，更要理解蛋白質的動態變化，理解與其他生物大分子或者調節小分子的相互作用，理解在細胞原位裏的狀態，因為數據不夠，這些都是 AI 還無能為力的領域。
如今，AlphaFold 3 在 AlphaFold 2 的不足之處，邁出了一大步，讓我們看到了預測不同生物分子相互作用的可能性，但它仍然是專注於分子結構的靜態預測，有時還會產生幻覺。
之前在接受採訪時，Demis Hassabis 批評了 AI 的炒作現象。
他認為，AI 應該被作為「科學的終極工具」，比如預測蛋白質結構的 AlphaFold 模型，人類即將迎來科學發現的新文藝復興。
英雄所見略同，英偉達的黃仁勳，也很看好醫療和生物技術的 AI 賽道，在 2024 年 GTC AI 大會上介紹了不少 AI 醫療服務，並與強生等公司在手術和醫學成像領域達成了合作。
Sora 模擬物理世界，而 AlphaFold 3 更讓我們瞭解生物世界，迴歸了我們對 AI 最初的期待——加速科學發現，推動人類進步，理解生命本身。
雖然 AGI 還遠在天邊，文字、圖片、視頻、蛋白質分子，彼此不同，卻又相互呼應。
AI 確實已經如此強大，也與日常生活越來越緊密相關，我們可以期待，每天都有更多的創新出現，也有更多的謎團被解開。
資料來源：愛範兒（ifanr）
5 月 8 日，DeepMind 官宣了一個新的 AI 模型：AlphaFold 3。
相關的研究論文，發表在權威的《自然》雜誌上，一來就佔據了頭版。
ChatGPT 之後，AI 模型不計其數，但最有資格自稱改變世界的，可能只有 AlphaFold 3。
AlphaFold 超級進化，讓生物世界更加「高清」
我們在中學生物課上學過，蛋白質是由氨基酸通過肽鍵連接形成的長鏈分子，在空間中摺疊成複雜的三維結構。
三維結構決定了蛋白質的功能，直接影響了藥物設計和疾病治療。
可以説，蛋白質結構預測，是生物學最重要的命題之一。
但預測蛋白質的三維結構，是一件難事，往往需要複雜的實驗，甚至被形容為「困擾了生物學家 50 年的問題」。
2016 年，DeepMind 的 AlphaGo，戰勝了職業九段棋手，重寫了圍棋這門古老的技藝。
DeepMind 的 AlphaFold，則要探聽生物學的密碼，窺探生命本身的堂奧。
2018 年，AlphaFold 1 發佈。
2020 年，AlphaFold 2 面世，已經可以在幾分鐘內大規模地準確預測蛋白質的形狀，並精確到原子級別。
現在，我們迎來了 AlphaFold 3，一個野心更大的 AI：超越蛋白質，探索所有的生物分子。
生物分子，即構成生物體的分子，包括蛋白質、DNA、RNA 等。
DeepMind 認為，只有瞭解生物分子如何在數百萬種組合中相互作用，才能開始真正理解生命的過程。
一言以蔽之，AlphaFold 3 比起前代，覆蓋的範圍更廣了，可以準確預測蛋白質、DNA、RNA、配體等生物分子的結構，以及它們如何相互作用。
先來看一些 AlphaFold 3 的預測結果。
7PNM，是一種普通感冒病毒的刺突蛋白。
如圖所示，AlphaFold 3 對 7PNM（藍色部分）與抗體（綠色部分）、單糖（黃色部分）相互作用時的結構預測，與真實結構（灰色部分）吻合。
預測背後有其意義，把這類蛋白質研究清楚，科學家便能更瞭解免疫系統和包括新冠在內的冠狀病毒，甚至提出更好的治療方案。
除了蛋白質的結構，AlphaFold 還能預測分子複合物，即多個分子組成的複雜結構。
下圖的酶，來自一種對植物有害的土壤真菌。
AlphaFold 的預測結果，包含一個酶蛋白（藍色部分）、一個離子（黃色球體）和一些單糖（黃色部分），契合了真實結構（灰色部分）。
深入瞭解這種酶與植物細胞如何相互作用，可以幫助研究人員開發更健康、抵抗力更強的作物，給農業生產帶來實際的好處。
類似地，AlphaFold 3 預測了一個由蛋白質（藍色部分）、RNA 鏈（紫色部分）和兩個離子（黃色部分）組成的分子複合物，同樣和真實結構（灰色部分）高度匹配。
這種複合物參與蛋白質的合成，即細胞生命活動和健康的基本過程之一，研究意義同樣深遠。
展現預測結果的準確性，再強調相關的用途，DeepMind 想要告訴世界，AlphaFold 3 是一種「革命性的模型」。
一方面，研究範圍更廣了。把視野擴充到蛋白質之外，特別是配體等小分子，可以涵蓋更多的藥物。
另一方面，準確度也提高了。對於蛋白質與其他分子類型的相互作用，與現有的預測方法相比，AlphaFold 3 的精度至少進步了 50%。其中一些重要的相互作用，提升甚至達到了 100%。
這樣一來，AlphaFold 3 可以造福更多的研究，加速藥物設計、推動基因組學、研發更健康的作物、開發生物可再生材料……
説到技術原理，AlphaFold 3 基於 AlphaFold 2 改進，核心是 Evoformer 深度學習架構，並使用了類似 Midjourney 的擴散網絡。
使用 AlphaFold 3 的過程，有些像我們和大語言模型聊天。輸入對生物分子的描述，AlphaFold 3 生成這些分子的三維結構，並研究它們如何相互作用。
AlphaFold 3 給出預測結果的過程，類似逐步去噪的 AI 文生圖擴散模型，從模糊的原子雲開始，逐步匯聚成準確的分子結構。
講人話的生成式 AI，增強了格子間打工人的生產力。AlphaFold 對科學家們的意義，也不外如是。
在實驗室進行蛋白質結構預測，可能要花掉攻讀一個博士學位的時間，以及數十萬美元。上億個預測，怕是窮盡幾百萬人的一生也無法完成。
但有了 AlphaFold，科學家們可以提出大膽的問題、創新的假設，然後在實驗室進行測試，加速研究的進程。
DeepMind 的一句話，足以向普通人概括 AlphaFold 3 的意義：
引用AlphaFold 3 將生物世界帶入高清。
將 AlphaFold 交給世界，等待科學發現的新文藝復興
之前為了嘲諷 OpenAI 的閉源，馬斯克給它起了個綽號：CloseAI。
投餵了 OpenAI 好幾篇論文的 Google，在某些方面更有開源的精神。
2021 年 7 月，AlphaFold 2 在 Nature 發佈了論文，也開源了代碼。
截至目前，AlphaFold 2 已用於預測數億個結構。全球數百萬研究人員，將 AlphaFold 2 用於瘧疾疫苗、癌症治療和酶設計等領域。
也是在 2021 年 7 月，DeepMind 和歐洲生物信息研究所（EMBL-EBI）合作，發佈了 AlphaFold 蛋白結構數據庫，提供了迄今為止最完整、最準確的人類蛋白質組圖景。
DeepMind 在官宣的博客裏提到，這是自人類基因組繪圖以來最重要的數據集之一，現在他們將 AlphaFold 的力量，免費交到全世界科研人員的手中。
一年之內，超過 50 萬研究人員使用了 AlphaFold 數據庫，查看了超過 200 萬個結構，加速解決塑料污染、抗生素耐藥性等現實問題。
自那以後，數據庫還在不斷地擴充。
2022 年 7 月，DeepMind 發佈了幾乎所有科學已知的蛋白質預測結構，總共超過 2 億個，除了人類，其中還包括了植物、細菌、動物和其他生物體的預測結構。
AlphaFold 數據庫，就像蛋白質結構的「Google 搜索」，也像一個繁星閃爍的蛋白質宇宙。蛋白質的三維結構是生命的基石，看起來又精緻美觀，讓人感嘆大自然造物的神奇。
不過，這次發佈的 AlphaFold 3，相比 AlphaFold 2，態度稍微顯得保守，招致了一些批評的聲音。
AlphaFold 3 目前沒有開源，不能在本地部署，研究人員只能通過 DeepMind 最新推出的研究平台 AlphaFold Server，免費訪問大部分功能，且用途是非商業的。
最阻礙科學進步的是服務的訪問次數：每天只能進行 10 次預測。
摳門行為的背後，DeepMind 可能有自己的商業考量——子公司 Isomorphic Labs 已經與製藥公司合作，將 AlphaFold 3 應用於藥物設計。
Google DeepMind 聯合創始人兼首席執行官 Demis Hassabis 樂觀地表示，首批 AI 設計的藥物可能會在未來幾年內準備好進行測試。
當然，AlphaFold 還是有侷限性的。
中國結構生物學家顏寧，曾經在 2022 年回答過關於 AlphaFold 2 會否替代科學家的話題。
在 Nav/Cav 方面，AlphaFold 2 依舊停留在他們 2017 年的水平，而在測試新型小分子與蛋白的相互作用時，AI 預測無一正確。
顏寧解釋，生物結構學不僅僅是關於摺疊，更要理解蛋白質的動態變化，理解與其他生物大分子或者調節小分子的相互作用，理解在細胞原位裏的狀態，因為數據不夠，這些都是 AI 還無能為力的領域。
如今，AlphaFold 3 在 AlphaFold 2 的不足之處，邁出了一大步，讓我們看到了預測不同生物分子相互作用的可能性，但它仍然是專注於分子結構的靜態預測，有時還會產生幻覺。
之前在接受採訪時，Demis Hassabis 批評了 AI 的炒作現象。
他認為，AI 應該被作為「科學的終極工具」，比如預測蛋白質結構的 AlphaFold 模型，人類即將迎來科學發現的新文藝復興。
英雄所見略同，英偉達的黃仁勳，也很看好醫療和生物技術的 AI 賽道，在 2024 年 GTC AI 大會上介紹了不少 AI 醫療服務，並與強生等公司在手術和醫學成像領域達成了合作。
Sora 模擬物理世界，而 AlphaFold 3 更讓我們瞭解生物世界，迴歸了我們對 AI 最初的期待——加速科學發現，推動人類進步，理解生命本身。
雖然 AGI 還遠在天邊，文字、圖片、視頻、蛋白質分子，彼此不同，卻又相互呼應。
AI 確實已經如此強大，也與日常生活越來越緊密相關，我們可以期待，每天都有更多的創新出現，也有更多的謎團被解開。
資料來源：愛範兒（ifanr）
請按此登錄後留言。未成為會員? 立即註冊