Google DeepMind 正式揭晓 AlphaFold 3，这款变革性机器学习模型在预测蛋白质形状与行为方面实现了新突破。相比前代，AlphaFold 3 不仅精度更高，还能预测与其他生物分子的相互作用，成为功能更强大的科研工具。目前，该公司已在线免费提供该模型的有限版本供用户使用。
自 2018 年首个 AlphaFold 发布以来，该模型一直是基于氨基酸序列预测蛋白质结构的首选方法。尽管任务看似单一，但理解蛋白质的分子机制是生物学研究的基石。近年来，以 AlphaFold 和 RoseTTaFold 为代表的计算建模技术，正逐步取代昂贵且耗时的传统实验方法，极大加速了全球数千名研究人员的科研工作。
DeepMind 创始人 Demis Hassabis 表示，每个模型“只是途中的一步”。虽然公司去年年底曾预告新版本，但此次才标志着其正式亮相。简而言之，AlphaFold 3 通过多项改进，在提升准确性的同时大幅拓展了适用范围。
从静态结构到动态相互作用
传统蛋白质建模存在局限：即便知晓氨基酸序列对应的形状，也难以确定其与其他分子的结合方式。若需实际应用，往往还需繁琐的后续测试。Hassabis 指出：“生物学是一个动态系统，必须了解特性如何通过细胞内不同分子的相互作用涌现出来。AlphaFold 3 是我们迈向这一目标的第一步。”
新版模型不仅能模拟蛋白质间的相互作用，还能涵盖 DNA、RNA 链等重要生物分子。例如，它可以同时模拟一条 DNA 链、若干结合分子及离子等复杂组合。下图展示了这种特定组合的模拟结果：DNA 螺旋带位于中间向上延伸，蛋白质附着侧面，离子则嵌于其中。
尽管这本身并非科学发现，但确定一种实验性蛋白质的结合方式或构象通常耗时数天至数月。AlphaFold 3 的出现，有望将这一过程缩短至几分钟。
免费托管服务降低使用门槛
尽管新技术令人兴奋，但研究人员仍面临两大难题：缺乏相互作用建模能力以及模型部署困难。为此，Google DeepMind 推出了 AlphaFold Server——一款免费的全托管网络应用，支持非商业用途。
该工具极易上手：用户只需 Google 账户，输入序列和类别并提交，几分钟后即可获得实时三维分子图像。图中颜色代表模型对构象的信心程度，如丝带尖端或暴露原子部分呈浅色或红色，即表示信心较低。
关于公开版与内部版的差异，Hassabis 仅表示“已开放大部分功能”，未作进一步说明。显然，Google 保留了核心优势，而提供免费托管工具则是为了吸引全球研究人员将其纳入科研工具箱。
商业潜力与开放科学之争
AlphaFold 的商业价值主要通过 Alphabet 子公司 Isomorphic Labs 实现。该公司率先获得最新模型使用权，并结合专有药物发现技术，已与 Eli Lilly 和 Novartis 等药企展开合作。Isomorphic Labs 的 Max Jaderberg 表示，该技术使科学家能在原子层面快速验证假设，效率较传统实验提升数个量级。
然而，AlphaFold 的普及也引发了对“开放科学”的担忧。与许多专有 AI 模型类似，其训练过程及复现所需的关键信息正被隐瞒。尽管《自然》杂志论文概述了创建方法，但重要细节缺失意味着研究人员必须在 Alphabet 体系监督下使用该工具。
开放科学倡导者认为，长远来看应以开放方式分享成果。尽管 AlphaFold Server 对学术和非商业应用免费是一种慷慨行为，但 Google 的举措难免附带条件。许多研究人员或许会利用当前的“蜜月期”充分挖掘模型价值，直至未来可能出现的限制落地。