Google DeepMind 出人意料地发布了 AlphaFold 3 的源代码和模型权重，用于学术用途，这标志着一项重大进步，可以加速科学发现和药物开发。就在该系统的创建者 Demis Hassabis 和 John Jumper 因其在蛋白质结构预测方面的工作而获得 2024 年诺贝尔化学奖几周后，这一令人惊讶的公告发布。
AlphaFold 3 代表了超越其前辈的巨大飞跃。AlphaFold 2 可以预测蛋白质结构，而 AlphaFold 3 可以模拟蛋白质、DNA、RNA 和小分子（生命的基本过程）之间的复杂相互作用。这很重要，因为了解这些分子相互作用推动了现代药物发现和疾病治疗。研究这些相互作用的传统方法通常需要数月的实验室工作和数百万的研究资金——不能保证成功。
该系统能够预测蛋白质如何与 DNA、RNA 和小分子相互作用，将其从专用工具转变为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，其规模是以前无法企及的。
硅谷遇见科学：通往开源 AI 的复杂道路
发布的时机凸显了现代科学研究中的一个重要紧张局势。当 AlphaFold 3 于 5 月首次亮相时，DeepMind 决定保留代码，同时通过 Web 界面提供有限的访问，这引起了研究人员的批评。这场争议暴露了人工智能研究的一个关键挑战：如何平衡开放科学与商业利益，尤其是在 DeepMind 的姊妹组织 Isomorphic Labs 等公司致力于利用这些进步开发新药的情况下。
开源版本提供了一条中间路径。虽然该代码在 Creative Commons 许可下免费提供，但访问关键模型权重需要 Google 的明确学术许可。这种方法试图同时满足科学和商业需求——尽管一些研究人员认为它应该走得更远。
破解密码：DeepMind 的 AI 如何改写分子科学
AlphaFold 3 的技术进步使其与众不同。该系统基于扩散的方法直接处理原子坐标，代表了分子建模的根本转变。与需要对不同分子类型进行特殊处理的先前版本不同，AlphaFold 3 的框架与分子相互作用的基本物理学保持一致。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，即使没有结构输入信息，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基于物理的方法。这标志着计算生物学的一个重要转变：AI 方法现在在理解分子如何相互作用方面优于我们最好的基于物理的模型。
超越实验室：AlphaFold 3 在医学领域的前景和陷阱
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药物应用，但此次发布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的开发，这是药物研究中越来越重要的领域。
当然，挑战仍然存在。该系统有时会在无序区域产生不正确的结构，并且只能预测静态结构而不是分子运动。这些限制表明，虽然像 AlphaFold 3 这样的 AI 工具推动了该领域的发展，但它们与传统实验方法一起工作效果最好。
AlphaFold 3 的发布代表了人工智能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。随着研究人员将该工具应用于各种挑战（从设计酶到开发弹性作物），我们将看到计算生物学的新应用。
对 AlphaFold 3 的真正考验在于它对科学发现和人类健康的实际影响。随着全世界的研究人员开始使用这一强大的工具，我们可能会看到在理解和治疗疾病方面取得比以往更快的进展。
关注+星标“硅基LIFE”，每日获取关于人工智能、芯片领域最新动态。 加微信fusion9000，进“硅基LIFE”粉丝交流群交流并接收实时滚动推送的最新信息
