谷歌DeepMind發布了AlphaFold的新版本，這是一個變革性的機器學習模型，可以預測蛋白質的形狀和行為。

　　AlphaFold 3不僅更加準確，而且還能預測與其他生物分子的相互作用，使其成為一種用途更廣的研究工具。同時該公司將在網上免費提供該模型的有限版本。

　　01.谷歌正式發布AlphaFold 3

　　從2018年第一個AlphaFold首次亮相以來，該模型一直是根據組成蛋白質的氨基酸序列預測蛋白質結構的領先方法。

　　雖然這聽起來像是一項相當小眾的研究，但從分子水平上理解蛋白質，就像是它們在我們體內執行著幾乎無窮無盡的各種任務，這幾乎是所有生物學的基礎。

　　近年來，AlphaFold和RoseTTaFold等計算建模技術取代了昂貴的實驗室方法，加速了多個領域成千上萬研究人員的工作。

　　DeepMind創始人Demis Hassabis在一次關于新系統的新聞發布會上表示：“每一個模型都只是前進道路上的一步。”

　　公司曾在去年年底預告過這一系統的發布，但這次是它的正式亮相。各種改進和建模技術使AlphaFold 3不僅更加準確，而且適用范圍更廣。

　　蛋白質建模的局限之一在于，即使知道氨基酸序列的形狀，也并不意味著一定可以知道它將與哪些其他分子結合，以及如何結合。如果用戶想真正利用這些分子做些事情，需要通過更費力的建模和測試來找出答案。

　　Hassabis表示：“生物學是一個動態系統，用戶必須了解生物學特性是如何通過細胞中不同分子之間的相互作用而產生的。可以把AlphaFold 3視為我們為此邁出的第一步。”

　　02.強大的模型性能

　　當然，AlphaFold 3能夠模擬蛋白質與其他蛋白質的相互作用，也能模擬其他生物大分子，其中重要的是DNA和RNA鏈。

　　AlphaFold 3可以同時模擬多個分子，例如一條DNA鏈、一些DNA結合分子和一些離子。

　　下面就是這種特定組合的結果，DNA帶從中間向上，蛋白質粘在邊上，離子像雞蛋一樣嵌在中間：

　　當然，這本身并不是科學發現。但是，即使要弄清一種實驗蛋白質到底會不會結合，或以這種方式結合，或扭曲成這種形狀，一般也至少需要數天甚至數周至數月的時間。

　　在過去幾年中，研究人員在很大程度上受制于交互建模的缺乏和模型部署的困難。

　　第二個問題也許是兩個問題中更大的問題，因為雖然新的建模技術在某種意義上是“開放”的，但與其他人工智能模型一樣，它們的部署和操作并不一定簡單。

　　這就是為什么谷歌DeepMind要提供AlphaFold服務器的原因，這是一個完全托管的免費網絡應用程序，可用于非商業用途。

　　AlphaFold服務器是免費的，而且非常容易使用。用戶只需要一個谷歌賬戶，然后向它輸入它能處理的序列和類別(提供了一些示例)，然后提交;幾分鐘后，工作即可完成，用戶會得到一個實時三維分子，其顏色代表了模型對該位置構象的信心。

　　正如上圖所示，色帶的頂端和那些更容易暴露在游離原子中的部分顏色較淺或為紅色，表示可信度較低。

　　當被問及公開的模型和內部使用的模型是否有真正的區別時，Hassabis表示：“我們已經提供了新模型的大部分功能”，但沒有正面回答問題。

　　這顯然是谷歌在施展自己的影響力，同時在某種程度上也將最好的部分留給了自己。

　　制作這樣一款免費的托管工具需要投入大量的資源，對谷歌來說，也是一個昂貴的共享軟件版本。目的是讓全世界的研究人員相信，AlphaFold 3至少應該是他們的一把利劍。

　　正如Hassabis所言，如今人人都在使用計算工具，但Isomorphic卻率先使用了DeepMind的最新模型，并將其與“藥物發現方面的一些專有技術”相結合。該公司已經與禮來公司(Eli Lilly)和諾華公司(Novartis)建立了合作關系。

　　不過，AlphaFold并不是生物學的全部，它只是一個非常有用的工具，無數研究人員都會同意這一點。該實驗室正在將AlphaFold這樣的計算工具應用于藥物設計，從而實現Isomorphic的Max Jaderberg所說的“理性藥物設計”。

　　Hassabis補充道：“我們想一想，這對Isomorphic Labs的日常工作有什么影響?”

　　“答案很顯然， 它讓我們的科學家、我們的藥物設計人員能夠在原子水平上創建和測試假設，然后在幾秒鐘內做出高度準確的結構預測。同時幫助科學家推理應該進行哪些相互作用，以及如何推進這些設計以創造出好的藥物。”

　　“這與通過實驗完成這項工作所需的數月甚至數年時間相比，簡直是天壤之別。”

　　03.模型發布存在爭議

　　雖然很多人會慶祝這一成就以及像AlphaFold Server這樣的免費托管工具的廣泛可用性，但其他人可能會正確地指出，這并不是開放科學的真正勝利。

　　與許多專有的人工智能模型一樣，AlphaFold的訓練過程和基本組成部分，在很大程度上被隱瞞了，而且隱瞞得越來越多。

　　雖然發表在《Nature》上的這篇論文確實詳細介紹了它的創建方法，但很多重要的細節和數據都沒有公開，這意味著想要使用這個地球上最強大的分子生物學工具的科學家們將不得不在Alphabet、谷歌和DeepMind的監視下使用它。

　　開放科學的倡導者多年來一直在說，雖然這些進步非常了不起，但從長遠來看，公開分享這類東西總是更好的。

　　畢竟，科學就是這樣發展的。事實上，世界上一些最重要的軟件也是這樣發展的。

　　將AlphaFold服務器免費提供給任何學術或非商業應用，在很多方面都是非常慷慨的行為。但是，谷歌的慷慨很少是沒有附加條件的。

　　毫無疑問，許多研究人員還是會利用這段時間，在付費之前盡可能多地使用該模型。