在毫无预兆的情况下，谷歌 DeepMind 突然发布了其最新 AI 蛋白质预测工具 AlphaFold 3 的源代码和模型权重。这一决定让全球科研界为之振奋，也将加速全球科学发现与药物研发。
值得一提的是，一个月前，该工具发明人 DeepMind 的 CEO 和联合创始人戴密斯·哈萨比斯（Demis Hassabis）和 DeepMind 高级研究科学家约翰·江珀（John Jumper）因在蛋白质结构预测领域的突出贡献，而获得了 2024 年诺贝尔化学奖。
图 | AlphaFold 3 的 GitHub 库（来源：资料图）
AlphaFold 3 的开源发布具有重大意义。与只能预测蛋白质结构的前代产品相比，第三代系统实现了质的飞跃。它不仅能够模拟蛋白质、DNA、RNA 和小分子之间的复杂相互作用，更深入揭示了生命的基本过程。
该突破尤为重要，因为掌握分子间的这些相互作用，对于现代药物发现和疾病治疗至关重要。
传统研究方法往往需要耗费数月的实验室工作和数百万研究经费，且成功与否难以预料。而现在，研究人员可以通过 AI 技术在几小时内获得可靠的预测结果，大大加快了科研进度。
（来源：资料图）
然而，这条通向开源的道路并非一帆风顺。
当 AlphaFold 3 于今年 5 月首次亮相时（发表于 Nature 上），DeepMind 选择仅通过官方网站提供有限访问权限，每天仅允许 10 次（后增至 20 次）请求，而不公开源代码的决定引发了研究人员的强烈批评。
数百名科学家联名发表公开信，指出这一做法有违开放性、可重复性和同行评议的公认标准。特别是考虑到 Nature 明确要求计算代码必须与发表的研究一同提供，这一决定更显争议。
DeepMind 的副总裁普什米特·科利（Pushmeet Kohli）对此解释说，团队优先开发“访问网站”是为了确保为最多的用户提供最简便的界面。
江珀补充道：“许多研究人员已经通过其网站完成了“令人难以置信的工作”，他预计大多数科学家仍会选择这种更实用的方式，尤其是对于计算能力有限的团队而言。”
时至今日，DeepMind 在此次开源发布中采取了一种平衡之道：源代码通过知识共享许可证免费提供，但访问关键的模型权重则需要获得谷歌对学术用途的明确许可。
这种方式试图同时满足科学研究和商业利益的需求，尽管部分研究人员认为这还不够开放。
（来源：谷歌 DeepMind）
事实上，DeepMind 团队在 AlphaFold 3 引发争议时就曾表态，要在半年内开源该工具。如今，他们信守了诺言。
瑞典斯德哥尔摩大学的生物物理学家埃里克·林达尔（Erik Lindahl）对媒体表示：“我很高兴 DeepMind 团队信守承诺发布代码，这意味着对这项重要论文的深入审查终于可以开始了。”
从技术角度看，AlphaFold 3 的创新之处在于其采用的基于扩散的方法，能够直接处理原子坐标，这代表了分子建模的根本性转变。
与需要针对不同分子类型进行特殊处理的早期版本不同，AlphaFold 3 的框架与分子相互作用的基本物理原理更为契合。这使得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，即使在没有结构输入信息的情况下，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物理模型。
这一突破将对药物发现和开发产生重大影响。虽然目前的商业限制制约了制药应用，但这次发布所启动的学术研究，将推进我们对疾病机制和药物相互作用的理解。
相关专家认为，该工具在预测抗体-抗原相互作用方面的改进可能加速治疗性抗体的开发，这在制药研究中愈发重要。
DeepMind 研究人员还对媒体表示，与一些批评者的说法相反，Nature 上发表的论文是可重现的，这一点已经得到证实，因为包括百度、Ligo Biosciences 和 Chai Discovery 在内的多个公司已经基于伪代码开发出了自己的 AlphaFold 3 版本。
此外，多个研究团队已经开始规划如何利用 AlphaFold 3 的代码。
法国国家科学研究中心的生物信息学研究工程师纪尧姆·布里斯巴特（Guillaume Brysbaert）对媒体表示，他们正在开发的 MassiveFold 程序将整合 AlphaFold 3 的代码。该工具旨在帮助用户利用并行计算来减少预测时间，将数月的工作压缩至数小时。
当然，AlphaFold 3 仍存在一些局限性。例如，它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。
这表明，像 AlphaFold 3 这样的 AI 工具虽然推动了相关领域的发展，但最好与传统实验方法结合使用。
随着研究人员将这一强大工具应用于酶设计和抗逆作物开发等领域，我们有望看到计算生物学领域涌现出更多新的应用。
AlphaFold 3 的真正考验在于，其对科学发现和人类健康能创造多少的实际价值。随着它的开源，当全球研究人员越来越多地使用这一强大工具时，我们可能会在理解和治疗疾病方面取得前所未有的进展。
