結構生物學是生物學的核心領域之一，其核心任務是揭示生物分子的三維結構，這對于理解其功能和行為至關重要。

　　傳統的結構測定方法，如X射線晶體學和核磁共振(NMR)技術，雖然強大，但費時且成本高昂。隨著計算能力的提高和算法的進步，計算結構預測(CSP)已成為一個重要的補充手段。

　　不過，谷歌AlphaFold3模型問世，或許標志著CSP領域達到了一個新的高度。日前，Nature上發表的關于AlphaFold3模型的介紹，為我們揭示了這一點。

　　之前的AlphaFold 模型于 2020 年發布，其預測蛋白質結構的能力讓研究界感到驚訝，但研究人員一直在呼吁該工具能夠處理的不僅僅是蛋白質。現在，AlphaFold 3，可以預測DNA、RNA和配體等分子的結構，這對藥物發現至關重要。

　　并且，在部分領域，AlphaFold 3預測精準度較高。對于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，我們看到至少提高了50%，對于一些重要的相互作用類別，我們的預測精度提高了一倍。

　　DeepMind聯創兼CEO哈撒比斯表示，AlphaFold 3是人類了解生物學動態系統歷史性的第一步。

　　那么，AlphaFold 3能否攪局AI制藥呢?

　　/ 01 / AlphaFold3的進擊

　　AlphaFold3是DeepMind公司繼AlphaFold2之后的又一力作，它不僅繼承了前代模型的優勢，還通過一系列創新性的架構改進，極大地提高了預測的準確性和泛化能力。

　　總體而言，AlphaFold3在多個方面展現了其卓越的性能。

　　首先，是在蛋白質-配體相互作用，在與配體結合的蛋白質結構預測上，AlphaFold3的準確性遠超現有的對接工具。

　　蛋白質與小分子配體的相互作用是藥物作用機制的核心。AlphaFold3通過其先進的深度學習算法，能夠精確預測蛋白質與配體結合的三維結構，這對于理解藥物如何與其靶點相互作用至關重要。

　　根據介紹，AlphaFold3的預測結果可以與實驗數據相媲美，為藥物設計提供了高分辨率的結合位點圖像。這對于新藥開發還是現有藥物優化，都能提供顯而易見的幫助。

　　新藥開發方面，可以通過AlphaFold3預測的蛋白質-配體結構，研究人員可以更有效地篩選和設計新藥候選物，加速藥物發現流程。

　　現有藥物優化翻一面，該工具還可以用于優化現有藥物，通過改進其與靶蛋白的結合模式來增強療效或減少副作用。

　　其次，是蛋白質-核酸相互作用。蛋白質與核酸的相互作用在調控基因表達和遺傳信息傳遞中扮演著關鍵角色。

　　在蛋白質與核酸復合物的結構預測上，AlphaFold3的準確性也顯著優于專門的核酸預測工具。AlphaFold3在這一領域的應用，為理解復雜的調控網絡提供了新的視角。

　　例如，在基因調控機制方面，AlphaFold3能夠揭示轉錄因子與DNA或RNA的結合細節，有助于理解細胞如何調控基因表達。

　　而在RNA結構預測領域，該工具在預測RNA結構方面表現出色，這對于理解RNA在生命過程中的功能至關重要。

　　這些優勢，最終在藥物設計方面得到體現。通過AlphaFold3預測的蛋白質-核酸復合物結構，可以設計出靶向特定核酸的小分子，為治療某些疾病提供新策略。

　　最后，是抗體-抗原預測。AlphaFold3在抗體-抗原復合物的預測上取得了顯著進步，這對于藥物設計和疫苗開發具有重要意義。

　　畢竟，抗體-抗原相互作用在免疫系統中起著至關重要的作用，也是疫苗設計和藥物開發的關鍵因素。

　　根據介紹，AlphaFold3可以預測病毒表面蛋白或抗原的結構，幫助科學家設計出能夠誘導強烈免疫反應的疫苗。

　　該工具還可以用于設計單克隆抗體，這些抗體可以特異性地識別和中和病原體，為治療癌癥和其他疾病提供新途徑。

　　另外，AlphaFold3預測的抗體-抗原結構有助于理解某些疾病的免疫逃逸機制，為開發新的治療策略提供線索。

　　/ 02 / AI制藥的攪局者

　　AlphaFold3的推出是計算結構生物學領域的一個重要里程碑。它不僅極大地提高了預測的準確性，還擴展了可預測的生物分子類型。隨著技術的不斷完善和應用的深入，AlphaFold3有望在生命科學研究和醫療健康領域發揮更大的作用。當然，與所有的AI制藥技術一樣，AlphaFold3并不完美。

　　就技術本身而言，其存在諸多bug。比如，立體化學問題，模型有時無法準確預測分子的手性中心，導致結構預測出現立體化學錯誤。

　　再比如“幻覺現象”問題，生成式模型可能會在無序區域產生非真實的結構，這種現象被稱為“幻覺”。

　　以及“動態行為”的挑戰，AlphaFold3主要預測靜態結構，對于生物分子的動態行為預測仍然是一個挑戰。

　　種種因素導致，與大多數模型一樣，AlphaFold的影響將取決于其預測的準確性。

　　在某些用途上，AlphaFold 3 的成功率是 RoseTTAFold 等類似領先型號的兩倍。但對于其他的，比如蛋白質-RNA的相互作用，AlQuraishi說它仍然非常不準確。

　　DeepMind表示，根據所建模的交互，準確率可以從40%到80%以上不等，該模型將讓研究人員知道其預測的可信度。由于預測不太準確，研究人員在采用其他方法之前只能將AlphaFold3作為起點。

　　也就是說，AlphaFold3要想成為攪局者，必須讓更多使用者信服這門技術。這，或許需要繼續迭代。

　　當然，盡管存在挑戰，AlphaFold3無疑已經在結構生物學和藥物設計領域邁出了堅實的一步。期待未來更多的工具，能夠賦能新藥研發，為患者帶來更為有效的治療手段。