DeepMind突然开源AlphaFold 3,加速科学发现与药物研发

全文2102字,阅读约需6分钟,帮我划重点

划重点

01谷歌DeepMind突然发布最新AI蛋白质预测工具AlphaFold 3的源代码和模型权重,加速全球科学发现与药物研发。

02与前代产品相比,AlphaFold 3实现了质的飞跃,能模拟蛋白质、DNA、RNA和小分子之间的复杂相互作用。

03由于此突破,研究人员可以通过AI技术在几小时内获得可靠的预测结果,大大加快了科研进度。

04然而,AlphaFold 3的开源之路并非一帆风顺,曾因仅提供有限访问权限而引发研究人员的强烈批评。

05最终,DeepMind采取了一种平衡之道,源代码通过知识共享许可证免费提供,但访问关键的模型权重则需要获得谷歌对学术用途的明确许可。

以上内容由腾讯混元大模型生成,仅供参考

在毫无预兆的情况下,谷歌 DeepMind 突然发布了其最新 AI 蛋白质预测工具 AlphaFold 3 的源代码和模型权重。这一决定让全球科研界为之振奋,也将加速全球科学发现与药物研发。

值得一提的是,一个月前,该工具发明人 DeepMind 的 CEO 和联合创始人戴密斯·哈萨比斯(Demis Hassabis)和 DeepMind 高级研究科学家约翰·江珀(John Jumper)因在蛋白质结构预测领域的突出贡献,而获得了 2024 年诺贝尔化学奖。

图片图 | AlphaFold 3 的 GitHub 库(来源:资料图)

AlphaFold 3 的开源发布具有重大意义。与只能预测蛋白质结构的前代产品相比,第三代系统实现了质的飞跃。它不仅能够模拟蛋白质、DNA、RNA 和小分子之间的复杂相互作用,更深入揭示了生命的基本过程。

该突破尤为重要,因为掌握分子间的这些相互作用,对于现代药物发现和疾病治疗至关重要。

传统研究方法往往需要耗费数月的实验室工作和数百万研究经费,且成功与否难以预料。而现在,研究人员可以通过 AI 技术在几小时内获得可靠的预测结果,大大加快了科研进度。

图片(来源:资料图)

然而,这条通向开源的道路并非一帆风顺。

当 AlphaFold 3 于今年 5 月首次亮相时(发表于 Nature 上),DeepMind 选择仅通过官方网站提供有限访问权限,每天仅允许 10 次(后增至 20 次)请求,而不公开源代码的决定引发了研究人员的强烈批评。

数百名科学家联名发表公开信,指出这一做法有违开放性、可重复性和同行评议的公认标准。特别是考虑到 Nature 明确要求计算代码必须与发表的研究一同提供,这一决定更显争议。

DeepMind 的副总裁普什米特·科利(Pushmeet Kohli)对此解释说,团队优先开发“访问网站”是为了确保为最多的用户提供最简便的界面。

江珀补充道:“许多研究人员已经通过其网站完成了“令人难以置信的工作”,他预计大多数科学家仍会选择这种更实用的方式,尤其是对于计算能力有限的团队而言。”

时至今日,DeepMind 在此次开源发布中采取了一种平衡之道:源代码通过知识共享许可证免费提供,但访问关键的模型权重则需要获得谷歌对学术用途的明确许可。

这种方式试图同时满足科学研究和商业利益的需求,尽管部分研究人员认为这还不够开放。

图片(来源:谷歌 DeepMind)

事实上,DeepMind 团队在 AlphaFold 3 引发争议时就曾表态,要在半年内开源该工具。如今,他们信守了诺言。

瑞典斯德哥尔摩大学的生物物理学家埃里克·林达尔(Erik Lindahl)对媒体表示:“我很高兴 DeepMind 团队信守承诺发布代码,这意味着对这项重要论文的深入审查终于可以开始了。”

从技术角度看,AlphaFold 3 的创新之处在于其采用的基于扩散的方法,能够直接处理原子坐标,这代表了分子建模的根本性转变。

与需要针对不同分子类型进行特殊处理的早期版本不同,AlphaFold 3 的框架与分子相互作用的基本物理原理更为契合。这使得系统在研究新型分子相互作用时,更加高效和可靠。

值得注意的是,即使在没有结构输入信息的情况下,AlphaFold 3 在预测蛋白质-配体相互作用方面的准确性也超过了传统的物理模型。

这一突破将对药物发现和开发产生重大影响。虽然目前的商业限制制约了制药应用,但这次发布所启动的学术研究,将推进我们对疾病机制和药物相互作用的理解。

相关专家认为,该工具在预测抗体-抗原相互作用方面的改进可能加速治疗性抗体的开发,这在制药研究中愈发重要。

DeepMind 研究人员还对媒体表示,与一些批评者的说法相反,Nature 上发表的论文是可重现的,这一点已经得到证实,因为包括百度、Ligo Biosciences 和 Chai Discovery 在内的多个公司已经基于伪代码开发出了自己的 AlphaFold 3 版本。

此外,多个研究团队已经开始规划如何利用 AlphaFold 3 的代码。

法国国家科学研究中心的生物信息学研究工程师纪尧姆·布里斯巴特(Guillaume Brysbaert)对媒体表示,他们正在开发的 MassiveFold 程序将整合 AlphaFold 3 的代码。该工具旨在帮助用户利用并行计算来减少预测时间,将数月的工作压缩至数小时。

当然,AlphaFold 3 仍存在一些局限性。例如,它有时会在无序区域产生错误的结构,并且只能预测静态结构而不是分子运动。

这表明,像 AlphaFold 3 这样的 AI 工具虽然推动了相关领域的发展,但最好与传统实验方法结合使用。

随着研究人员将这一强大工具应用于酶设计和抗逆作物开发等领域,我们有望看到计算生物学领域涌现出更多新的应用。

AlphaFold 3 的真正考验在于,其对科学发现和人类健康能创造多少的实际价值。随着它的开源,当全球研究人员越来越多地使用这一强大工具时,我们可能会在理解和治疗疾病方面取得前所未有的进展。

参考资料:

https://github.com/google-deepmind/alphafold3

https://www.science.org/content/article/google-deepmind-releases-code-behind-its-most-advanced-protein-prediction-program

https://venturebeat.com/ai/google-deepmind-open-sources-alphafold-3-ushering-in-a-new-era-for-drug-discovery-and-molecular-biology/

运营/排版:何晨龙