AlphaFold3现已开源,诺奖AI工具触手可及

集群计算技术 2024年11月12日 14:55 陕西

10 月份，Jumper 与 Demis Hassabis 因AlphaFold相关工作获得了 2024 年诺贝尔化学奖。就在11月11日凌晨，DeepMind宣布，科学家现在可以免费下载软件代码，并将 AlphaFold3 用于非商业应用。值得一提的是，只有具有学术背景的科学家才能根据要求访问训练权重。

GitHub 地址：

https://github.com/google-deepmind/alphafold3

应对生物分子结构预测的挑战

准确预测生物分子结构是生物学和医学领域最紧迫的挑战之一。复杂的生物过程，例如蛋白质合成、信号转导和药物相互作用，依赖于复杂的分子结构和精确的相互作用。尽管 AlphaFold 2 等工具取得了重大进展，但在对包含各种分子类型（例如核酸、离子和其他修饰）的复合物进行建模方面仍然存在相当大的差距。传统方法通常是领域特定的，无法很好地推广到各种生物分子实体。它们还面临着大量的计算要求，导致延迟，阻碍了快速实验和实际的治疗设计。为了应对这些挑战，需要一个更通用、更准确的解决方案——这就是 AlphaFold 3 发挥作用的地方。

DeepMind 发布 AlphaFold 3

DeepMind 最近发布了 AlphaFold 3 的推理代码库、模型权重和按需服务器。此版本使全球研究人员和开发人员能够更轻松地将 AlphaFold 的强大功能集成到他们的工作流程中。与其前身 AlphaFold 2 相比，AlphaFold 3 提供了更复杂的架构，能够预测生物分子复合物的联合结构，包括蛋白质、DNA、RNA、配体、离子甚至化学修饰。此版本旨在适应生物系统内高度复杂的相互作用，该版本包括对模型权重的访问，使研究人员能够直接复制或扩展现有功能。

按需服务器让 AlphaFold 3 无需大量计算基础设施即可使用。用户只需提供序列或结构输入，即可查询服务器以获得高精度结构预测，大大降低了不具备先进计算能力的研究机构和公司的使用门槛。

技术细节

AlphaFold 3 引入了基于扩散的架构，显著提高了预测生物分子相互作用的准确性。与主要关注蛋白质的 AlphaFold 2 不同，AlphaFold 3 采用通用架构，能够预测更广泛生物分子类型的结构。新的“pairformer”取代了 AlphaFold 2 的“evoformer”作为中央处理模块，简化了流程并提高了效率。该系统通过使用扩散模型直接预测原子坐标来运行，从而无需进行特定的扭转角预测和立体化学处理，这增加了早期模型的复杂性。

扩散过程的多尺度特性通过减少立体化学损失和消除多序列比对的需要，提高了预测的准确性。如基准测试所示，AlphaFold 3 的表现明显优于 AutoDock Vina 和 RoseTTAFold All-Atom 等传统工具，在蛋白质-配体相互作用和蛋白质-核酸复合物方面提供了更高的准确性。这些进步不仅使 AlphaFold 3 更加通用，而且大大减轻了计算负担，使其在需要准确生物分子结构的行业中得到更广泛的应用。

结论

DeepMind 发布的 AlphaFold 3 将结构生物学领域带入了新领域。通过包含模型权重、推理代码和按需服务器，DeepMind 为跨学科研究人员打开了大门，使他们能够利用尖端技术，而无需昂贵的基础设施要求。AlphaFold 3 在结构预测方面的进步（涵盖蛋白质、核酸、配体等）有望加速我们对生物分子相互作用的理解，并有可能在药物开发和分子生物学方面取得重大突破。

本文无任何商业目的，仅做翻译分享，如有侵权请联系删除。

引用：

https://www.marktechpost.com/2024/11/11/deepmind-released-alphafold-3-inference-codebase-model-weights-and-an-on-demand-server/

https://www.nature.com/articles/d41586-024-03708-4

https://www.maginative.com/article/google-deepmind-makes-alphafold-3-open-source-for-academia/