AI 革命：AlphaFold 3 开源，开启生命科学新纪元
谷歌 DeepMind 意外发布了 AlphaFold 3 的源代码和模型权重，供学术界使用。这一举动标志着科学发现和药物开发领域的重大进步。就在几周前，该系统的创造者，德米斯·哈萨比斯和约翰·朱珀，因其在蛋白质结构预测方面的贡献获得了 2024 年诺贝尔化学奖。
AlphaFold 3 代表着其前代产品的巨大飞跃。虽然 AlphaFold 2 可以预测蛋白质结构，但 AlphaFold 3 可以模拟蛋白质、DNA、RNA 和小分子之间的复杂相互作用——生命的根本过程。这很重要，因为理解这些分子相互作用是现代药物发现和疾病治疗的关键。传统研究这些相互作用的方法通常需要数月的实验室工作和数百万的研究经费，而且成功率并不高。
该系统能够预测蛋白质如何与 DNA、RNA 和小分子相互作用，使其从一个专门的工具转变为一个用于研究分子生物学的综合解决方案。这种更广泛的能力为理解细胞过程开辟了新的途径，从基因调控到药物代谢，其规模以前无法企及。
此次发布的时机突出了现代科学研究中一个重要的矛盾。当 AlphaFold 3 在 5 月首次亮相时，DeepMind 决定在提供有限的网络界面访问的同时，保留代码，这引起了研究人员的批评。这场争议暴露了人工智能研究中的一个关键挑战：如何在开放科学与商业利益之间取得平衡，特别是当 DeepMind 的姊妹公司 Isomorphic Labs 利用这些进步开发新药时。
开源发布提供了一条中间道路。虽然代码在知识共享许可下免费提供，但访问关键模型权重需要谷歌明确的学术使用许可。这种方法试图满足科学和商业需求，尽管一些研究人员认为应该更进一步。
AlphaFold 3 的技术进步使其脱颖而出。该系统的基于扩散的方法，直接使用原子坐标，代表了分子建模的根本性转变。与以前需要对不同分子类型进行特殊处理的版本不同，AlphaFold 3 的框架与分子相互作用的基本物理学相一致。这使得该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，AlphaFold 3 在预测蛋白质-配体相互作用方面的准确性超过了传统的基于物理学的方法，即使没有结构输入信息。这标志着计算生物学的一个重要转变：人工智能方法现在在理解分子如何相互作用方面胜过我们最好的基于物理学模型。
对药物发现和开发的影响将是巨大的。虽然目前的商业限制限制了制药应用，但此次发布带来的学术研究将促进我们对疾病机制和药物相互作用的理解。该系统在预测抗体-抗原相互作用方面的准确性提高，可以加速治疗性抗体开发，这是制药研究中一个越来越重要的领域。
当然，挑战依然存在。该系统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。这些局限性表明，虽然像 AlphaFold 3 这样的 AI 工具推动了该领域的发展，但它们与传统的实验方法一起使用效果最佳。
AlphaFold 3 的发布代表着人工智能驱动的科学向前迈出的重要一步。其影响将超越药物发现和分子生物学。当研究人员将该工具应用于各种挑战——从设计酶到开发抗逆作物——我们将在计算生物学中看到新的应用。
AlphaFold 3 的真正考验在于其对科学发现和人类健康的实际影响。随着世界各地的研究人员开始使用这个强大的工具，我们可能会看到在理解和治疗疾病方面比以往任何时候都更快地取得进展。
