“失物追踪”专家Tile被收购，曾批评苹果不公平竞争
06-21
谷歌旗下的DeepMind一夜之间引起学术界轰动。
5月8日，DeepMind正式公布了全新的AI模型：AlphaFold 3。
相关研究论文发表在权威的《自然》杂志上，一出就占据了头版头条。
ChatGPT之后，AI模型无数，但最有资格号称改变世界的可能只有AlphaFold 3。
AlphaFold的超级进化让生物世界更加“高清”。
我们在中学生物课上了解到，蛋白质是氨基酸通过肽键连接而成的长链分子，在空间中折叠成复杂的三维结构。
三维结构决定了蛋白质的功能，直接影响药物设计和疾病治疗。
可以说，蛋白质结构预测是生物学中最重要的命题之一。
然而，预测蛋白质的三维结构是一项艰巨的任务，通常需要复杂的实验。
甚至被形容为“困扰生物学家50年的问题”。
2016年，DeepMind的AlphaGo击败了职业九段棋手，改写了围棋古老技艺。
DeepMind 的 AlphaFold 想要破译生物学密码并探究生命本身的奥秘。
2016年，AlphaFold 1发布。
2016年，AlphaFold 2推出，它已经可以在几分钟内大规模准确预测蛋白质的形状，并深入到原子水平。
现在我们有了 AlphaFold 3，这是一款有着更大野心的人工智能：超越蛋白质，探索所有生物分子。
生物分子是构成生物体的分子，包括蛋白质、DNA、RNA 等。
DeepMind 认为，只有了解生物分子如何在数百万种组合中相互作用，我们才能开始真正理解生命的过程。
总之，AlphaFold 3比其前身涵盖的范围更广，可以准确预测蛋白质、DNA、RNA、配体等生物分子的结构以及它们如何相互作用。
我们先来看看 AlphaFold 3 的一些预测结果。
7PNM 是普通感冒病毒的刺突蛋白。
如图所示，AlphaFold 3预测了7PNM（蓝色部分）与抗体（绿色部分）和单糖（黄色部分）相互作用时的结构，与真实结构（灰色部分）一致。
预测背后有其意义。
通过研究这些蛋白质，科学家可以更好地了解免疫系统和包括 COVID-19 在内的冠状病毒，甚至提出更好的治疗方法。
除了蛋白质结构之外，AlphaFold 还可以预测分子复合物，即由多个分子组成的复杂结构。
下图所示的酶来自对植物有害的土壤真菌。
AlphaFold的预测结果，包括酶蛋白（蓝色部分）、离子（黄色球体）和一些单糖（黄色部分），符合真实结构（灰色部分）。
更深入地了解这种酶如何与植物细胞相互作用，可以帮助研究人员开发更健康、更具抗性的作物，为农业生产带来实际效益。
同样，AlphaFold 3 预测了由蛋白质（蓝色部分）、RNA 链（紫色部分）和两个离子（黄色部分）组成的分子复合物，这也与真实结构（灰色部分）非常匹配。
这种复合物参与蛋白质合成，这是细胞生命活动和健康的基本过程之一，其研究意义同样深远。
通过展示预测结果的准确性并强调相关用途，DeepMind 希望告诉世界 AlphaFold 3 是一个“革命性模型”。
一方面，研究范围更加广泛。
将视野扩大到蛋白质之外，特别是配体等小分子，可以覆盖更多药物。
另一方面，准确率也得到提高。
对于蛋白质与其他分子类型的相互作用，与现有的预测方法相比，AlphaFold 3 的准确性至少提高了 50%。
对于一些重要的交互，改进甚至达到%。
这样，AlphaFold 3可以惠及更多研究，加速药物设计，促进基因组学，开发更健康的作物，并开发生物可再生材料。
说到技术原理，AlphaFold 3是在AlphaFold 2的基础上改进的，核心是Evoformer深度学习架构，并采用了类似Midjourney的扩散网络。
使用 AlphaFold 3 的过程有点像与大型语言模型聊天。
输入生物分子的描述，AlphaFold 3 会生成这些分子的三维结构并研究它们如何相互作用。
AlphaFold 3给出预测结果的过程类似于AI文森图扩散模型逐渐去噪，从模糊的原子云开始，逐渐收敛成精确的分子结构。
使用人类语言的生成式人工智能提高了办公室工作人员的生产力。
AlphaFold 对科学家来说意义仅此而已。
在实验室预测蛋白质结构可能会花费一个博士学位的时间和数十万美元。
预测有数以亿计，甚至有数百万人一生都不一定能完成。
但有了 AlphaFold，科学家可以提出大胆的问题、创新的假设，然后在实验室中进行测试，从而加速研究。
DeepMind 的一句话足以概括 AlphaFold 3 对于普通人的意义：AlphaFold 3 将生物世界带入高清。
在将AlphaFold交给世界并等待科学发现的新复兴之前，马斯克给它起了一个绰号：CloseAI，以嘲笑OpenAI的闭源。
为多篇 OpenAI 论文做出贡献的谷歌在某些方面更加开源。
今年7月，AlphaFold 2在Nature上发表了论文，也将代码开源。
迄今为止，AlphaFold 2 已被用于预测数亿个结构。
全球数以百万计的研究人员正在疟疾疫苗、癌症治疗和酶设计等领域使用 AlphaFold 2。
同样在今年7月，DeepMind与欧洲生物信息学研究所（EMBL-EBI）合作发布了AlphaFold蛋白质结构数据库，提供了迄今为止最完整、准确的人类蛋白质组图景。
DeepMind在其官方博客中提到，这是自人类基因组图谱绘制以来最重要的数据集之一。
现在他们将把 AlphaFold 的力量免费交到世界各地的科学研究人员手中。
一年之内，超过 500,000 名研究人员使用 AlphaFold 数据库查看了 10,000 多个结构，加速解决塑料污染和抗生素耐药性等现实问题。
此后，数据库不断扩大。
2017年7月，DeepMind发布了几乎所有科学已知的蛋白质的预测结构，总数超过2亿，包括植物、细菌、动物和除人类之外的其他生物体的蛋白质。
AlphaFold数据库就像一个蛋白质结构的“谷歌搜索”，也像一个繁星点点的蛋白质宇宙。
蛋白质的三维结构是生命的基石。
看上去精致美丽，让人惊叹大自然的造化之神奇。
不过，此次发布的AlphaFold 3相比AlphaFold 2态度稍显保守，因此招致了一些批评。
AlphaFold 3目前尚未开源，无法本地部署。
研究人员只能通过 DeepMind 最新的研究平台 AlphaFold Server 免费访问大部分功能，且使用是非商业性的。
最阻碍科学进步的是该服务的访问数量：每天只能做出 10 个预测。
在吝啬行为的背后，DeepMind 可能有自己的商业考虑——子公司 Isomorphic Labs 已与制药公司合作，将 AlphaFold 3 应用到药物设计中。
谷歌 DeepMind 联合创始人兼首席执行官 Demis Hassabis 乐观地表示，第一批人工智能设计的药物可能会在未来几年内准备好进行测试。
当然，AlphaFold仍然有局限性。
中国领导人生物学家延宁曾回答过AlphaFold 2是否会取代科学家的问题。
在 Nav/Cav 方面，AlphaFold 2 仍停留在 2016 年的水平，并且在测试新小分子与蛋白质的相互作用时，AI 预测均不正确。
颜宁解释说，生物结构科学不仅仅是关于折叠，还在于了解蛋白质的动态变化，了解与其他生物大分子或调节性小分子的相互作用，了解细胞的原位状态。
因为数据不足，这些都是AI还力不从心的领域。
如今，AlphaFold 3 在 AlphaFold 2 的不足之处向前迈出了一大步，让我们看到了预测不同生物分子相互作用的可能性，但它仍然专注于分子结构的静态预测，这有时会产生幻觉。
。
在之前的一次采访中，Demis Hassabis 批评了围绕人工智能的炒作。
他认为人工智能应该被用作“科学的终极工具”，比如预测蛋白质结构的AlphaFold模型。
人类即将迎来科学发现的新复兴。
英雄也看到了同样的事情。
Nvidia的黄仁勋也非常看好医疗和生物技术领域的AI赛道。
他在2018年GTC人工智能大会上介绍了多项AI医疗服务，并与强生等公司在手术、医学影像领域达成合作。
。
Sora模拟物理世界，而AlphaFold 3让我们了解生物世界，回归我们对AI最初的期待——加速科学发现、推动人类进步、理解生命本身。
虽然AGI还很遥远，文字、图片、视频、蛋白质分子虽然各不相同，但却相互呼应。
人工智能确实变得如此强大，并且与日常生活越来越相关，我们可以期待每天有更多的创新出现，更多的谜团有待解决。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态