2024年5月8日，谷歌公司旗下的DeepMind人工智能团队在Nature学术期刊上发表了论文“Accurate structure prediction of biomolecular interactions with AlphaFold 3”，标志着谷歌基于人工智能(AI)研发的第三代蛋白分析工具诞生。
此前，谷歌初代AlphaFold以及AlphaFold 2的引入引发了蛋白质结构建模及其相互作用的革命，使蛋白质建模和设计的广泛应用成为可能。在此次公布的论文中，DeepMind团队详细描述了他们创造的AlphaFold 3模型，该模型具有更新的基于扩散的结构，能够预测包括蛋白质、核酸、小分子、离子和修饰残基在内的复合物的关节结构。新的AlphaFold模型比以前的许多专门工具显示出显着提高的准确性：蛋白质-配体相互作用的准确性远远高于最先进的对接工具，蛋白质-核酸相互作用的准确性远远高于核酸特异性预测器，抗体-抗原预测的准确性明显高于AlphaFold-multitimer v2.3.总而言之，这些结果表明在一个统一的深度学习框架内，跨生物分子空间的高精度建模是可能实现的。
AlphaFold 3模型的整体结构与AlphaFold 2类似，都有一个大的主干，用于演化出化学复合物的成对表示，然后是一个结构模块，利用这种成对表示生成显式的原子位置，但是每个主要组件都有很大的不同。这些修改既是为了满足广泛的化学实体而不过度特殊处理，也是基于对AlphaFold 2在不同修改下性能的观察。
分子生物学的核心挑战是理解并最终调节生物系统中复杂的原子相互作用。AlphaFold 3模型在这个方向上迈出了一大步，证明了在一个统一的框架中准确预测大范围生物分子系统的结构是可能的。虽然在所有交互类型中实现高度准确的预测仍然存在重大挑战，但DeepMind团队的工作证明，构建一个对所有这些交互显示强大覆盖和泛化的深度学习系统是可能的。同时在蛋白质-配体结构预测上的巨大进步表明在一般深度学习框架内处理化学空间的广泛多样性是可能的，而无需在蛋白质结构预测和配体对接之间进行人工分离。
参考文献
1. Abramson, J., Adler, J., Dunger, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature (2024). https://doi.org/10.1038/s41586-024-07487-w