Google DeepMind 推出可预测所有生命分子的结构和相互作用的 AlphaFold 3

Google DeepMind 推出可预测所有生命分子的结构和相互作用的 AlphaFold 3 Google DeepMind 今天在博客中介绍了和 Isomorphic Labs 共同开发的 AlphaFold 3，一种新型生命科学 AI 模型。该模型在准确预测蛋白质、DNA、RNA、配体等的结构基础之上，新增了对其相互作用的预测，相比当前最先进的方法至少有 50% 以上的提升， Google 希望它能够改变对生物世界和药物发现的理解。 该模型的论文已经发表在最新一期自然杂志上。现在，科学家可以通过新推出的易于使用的研究工具 AlphaFold Server 免费使用该模型大部分功能，包括免费的 2 亿个蛋白质结构的数据库。 ，

谷歌 DeepMind 推出活细胞人工智能模型

谷歌 DeepMind 推出活细胞人工智能模型 谷歌的 DeepMind 推出了一个人工智能模型，用于研究生命的基本构成要素及其在细胞内的相互作用，推动了揭示疾病秘密和寻找疾病(如癌症)疗法的努力。根据周三在《自然》期刊上发表的一篇论文，最初于2018年开发的AlphaFold 3对微小生物结构外观和相互作用做出了迄今最精确的预测。同构实验室的首席人工智能官马克斯•贾德伯格表示，AlphaFold 3的能力为研究人员提供了新的机会，可以迅速识别潜在的新药分子。同构实验室与制药公司礼来和诺华有合作关系。“这使得我们的科学家和药物设计师能够在原子水平上创造和测试假设，并且在几秒钟内使用AlphaFold 3生成高度准确的结构预测。”贾德伯格说，“与可能需要数月甚至数年的实验相比，这是非常快速的。”AlphaFold 3展示了“显著提高”的预测准确性，超过了许多现有的专业工具，包括基于前两代技术的工具。研究表明，开发正确的人工智能深度学习框架，可以大大减少获取“生物相关性能”所需的数据量。

MIT新模型可以快速识别和确定不应同时服用的药物

MIT新模型可以快速识别和确定不应同时服用的药物 麻省理工学院和其他研究人员开发了一种多管齐下的策略，以识别不同药物所使用的转运体。他们的方法同时利用了组织模型和机器学习算法，已经发现一种常用抗生素和一种血液稀释剂会相互干扰。资料来源：麻省理工学院，何塞-路易斯-奥利瓦雷斯麻省理工学院、布里格姆妇女医院和杜克大学的研究人员现已开发出一种多管齐下的策略，用于识别不同药物所使用的转运体。他们的方法同时利用了组织模型和机器学习算法，已经发现一种常用抗生素和一种血液稀释剂会相互干扰。"建立吸收模型的挑战之一是药物会受到不同转运体的影响。"麻省理工学院机械工程副教授、布里格姆妇女医院胃肠病学家、该研究的资深作者乔瓦尼-特拉韦索（Giovanni Traverso）说："这项研究的目的在于我们如何模拟这些相互作用，这可以帮助我们使药物更安全、更有效，并预测到目前为止可能难以预测的潜在毒性。"更多地了解哪些转运体有助于药物通过消化道，还有助于药物开发人员通过添加辅料来增强药物与转运体的相互作用，从而提高新药的可吸收性。麻省理工学院前博士后史云华和丹尼尔-雷克是这项研究的主要作者，他们的研究成果最近发表在《自然-生物医学工程》杂志上。药物运输先前的研究已经确定了消化道中帮助药物通过肠粘膜的几种转运体。其中最常用的三种是 BCRP、MRP2 和 PgP，它们也是新研究的重点。在这项研究中，特拉韦索和他的同事采用了他们在2020年开发的一种组织模型来测量特定药物的吸收性。这种实验装置基于在实验室培育的猪肠组织，可用于将组织系统地暴露在不同的药物配方中，并测量它们的吸收情况。为了研究单个转运体在组织中的作用，研究人员使用名为siRNA的短RNA来敲除每个转运体的表达。在每个组织切片中，他们敲除了不同的转运体组合，从而研究了每种转运体如何与多种不同药物相互作用。"有几条路可以让药物通过组织，但你不知道是哪一条路。我们可以分别关闭这几条路，以便弄清楚，如果我们关闭了这条路，药物还能通过吗？如果答案是肯定的，那么它就没有使用那条路，"特拉韦索说。研究人员使用该系统测试了 23 种常用药物，从而确定了每种药物使用的转运体。然后，他们根据这些数据以及来自几个药物数据库的数据训练了一个机器学习模型。根据药物化学结构之间的相似性，该模型学会了预测哪些药物会与哪些转运体发生相互作用。利用这一模型，研究人员分析了一组新的 28 种常用药物以及 1595 种实验药物。这一筛选得出了近 200 万个潜在药物相互作用的预测结果。其中包括预测抗生素强力霉素可能与常用的血液稀释剂华法林发生相互作用。多西环素还被预测会与治疗心力衰竭的地高辛、抗癫痫药物左乙拉西坦和免疫抑制剂他克莫司发生相互作用。确定相互作用为了验证这些预测，研究人员研究了约 50 名患者的数据，这些患者在被处方强力霉素时已经服用了这三种药物中的一种。这些数据来自马萨诸塞州总医院和布里格姆妇女医院的病人数据库，数据显示，当给已经服用华法林的病人服用强力霉素时，病人血液中的华法林水平会升高，然后在停止服用强力霉素后又会下降。这些数据还证实了模型的预测，即多西环素的吸收会受到地高辛、左乙拉西坦和他克莫司的影响。此前，只有他克莫司一种药物被怀疑会与强力霉素发生相互作用。特拉韦索说："这些都是常用药物，我们是第一个使用这种加速的硅学和体外模型来预测这种相互作用的人。这种方法让你有能力了解同时使用这些药物的潜在安全影响"。除了识别已在使用的药物之间可能存在的相互作用，这种方法还可应用于正在研发的药物。利用这项技术，药物开发人员可以调整新药分子的配方，以防止与其他药物发生相互作用或提高其可吸收性。Vivtex 是麻省理工学院前博士后托马斯-冯-埃拉赫（Thomas von Erlach）、麻省理工学院研究所教授罗伯特-朗格（Robert Langer）和特拉韦索（Traverso）于 2018 年共同创立的一家生物技术公司，旨在开发新型口服给药系统。编译自:ScitechDaily ... PC版： 手机版：

下棋下哭柯洁的DeepMind 这次要让生物界地震？

下棋下哭柯洁的DeepMind 这次要让生物界地震？ 生物体内几乎所有的分子结构，它都可以预测。这意味着生物医学研究从此开了真 · 上帝视角，任何生物分子作用机理都将从黑盒中打开，变成透视模式。不少媒体和网友开始欢呼， 21 世纪，这下真要成生物的世纪了……要看懂这次新发布的 AlphaFold 3 有多牛，咱们就得先知道， DeepMind 和它的 AlphaFold ，曾给了分子生物圈多大的震撼……我们在九年义务教育里都学过，生物体内最多的物质就是蛋白质，而要搞清楚生物分子的底层原理，就必须知道每个蛋白质具体长啥样。这么说吧，在 AlphaFold 之前，大伙们预测蛋白质结构主要两种办法，一是用 X 光照蛋白质晶体，也就是先拍片子再分析片子，再来搞懂它长啥样。二是核磁共振 ( NMR ) 光谱，拍出大体形状轮廓，再推测它的结构。这些传统办法不仅慢，适用范围小，需要不断试错，还费钱，每拍一次片子就花好几万美金，抵一辆小米 su7 。这也是为啥蛋白质研究方向生物学家，费钱且需要大量经验……只有那些经验的老师傅，蛋白质仙人，才能更快猜到蛋白质的准确形状，少拍点片子。所以人们就琢磨，这种需要经验总结的工作能不能靠 AI 解决呢？DeepMind 就来干这事了，为了克服传统拍片子的问题，第一代 AlphaFold 选择技术路线的时候就摊牌了：不拍片子！蛋白质既然由氨基酸构成，初代 AlphaFold 用的方法就是，利用来自各处公开的已知蛋白质结构，把这些蛋白质中每一对氨基酸的距离，链接角度，汇总起来做成一张图， AI 用神经网络消化完他们，再让 AI 做出自己的预测。而 2018 年第一代 AlphaFold 一经发布，就技惊四座，力压一众实验室老师傅，获得第 13 届蛋白质结构预测大赛 ( CASP ) 冠军。AI ，很神奇吧。不过，初代 AlphaFold 有个问题，它更依赖局部数据的特征来训练，它不太能提取到较远元素之间的关系。就好像一个只会写短文，但学不会写长篇小说的作家。问题是，很多蛋白质分子有长距离的依赖性，这让初代 AlphaFold 的实力就有点捉襟见肘了。好在 2020 年发布的 AlphaFold2.0 ，用上后来在 ChatGPT 上大火的 Transformer 模型。Transformer 模型的注意力机制，则完美解决了长距离氨基酸的问题，进步有多大呢？2018 年蛋白质结构预测大赛里 1.0 版本准确度得分不到 60 分，但是 2020 年大赛里 2.0 版本拿到了惊人的 92.4 分，它能生成的范围已经涵盖了人类已知蛋白质的 98% ，更重要的是它完全开源。可以说， 2.0 版本已经基本解决了单链蛋白质的预测问题，到 2021 年，基于 2.0 改版的 AlphaFold-Multimer 发布，也支持上了多链，准确度上也取得了突破，蛋白质之间作用的预测准确率超过 70% 。所以现在很多公司也用上了它们，甚至助力了国外一些新冠疫苗研发。但在 DeepMind 看来，蛋白质结构预测上的胜利，还远远没发挥完 AI 的潜力，因为生物体内的复杂分子结构不止有蛋白质，还有核酸，小分子配体等等，这就好比你花了十年时间学刻钥匙开锁技术，结果一出师，发现大家用的都是指纹锁密码锁，用传统钥匙的人太少了！所以这次 AlphaFold 3 ，他们更新了一个更牛逼的全方位模型，不仅能预测蛋白质 DNA RNA 等各种小分子，还能揭示他们之间的互相作用。那这是怎么干的呢？答案是，他们用了 Diffusion 。对，就是大名鼎鼎的扩散模型，在 AI 绘画大火的时候，想必大家就听说过。它的原理就是把原图像不断打码，再让 AI 学会预测这些马赛克的生成过程，然后反过来实现从马赛克到图像的生成。不过，就像 AI 画画生成不好手指， Sora 椅子视频会穿模一样， Diffusion 加持下的 AlphaFold 3 也会预测错误，特别是在一些长得相似难以区分的结构上，比如各位高中有机化学里学过的手性分子。所以在这些容易出错的地方， DeepMind 用了一个叫做交叉蒸馏的操作，说白了就是让有 Transform 模型的 2 代版本先预测，再把预测数据添加到 AlphaFold 3 的训练中，也就是相当于让 2 代扮演教师，领着 3 代去做，这样就能减少预测失误。生成的效果有多好？直接看官方图吧AlphaFold 3 对 7BBV - 酶 ( 存在于一种土壤真菌体内 ) 的预测，其中酶蛋白（ 蓝色 ）、离子（ 黄色球体 ）和单糖（ 黄色 ）与真实结构（ 灰色 ）几乎重合AlphaFold 3 对感冒病毒刺突蛋白（ 蓝色 ）与抗体（ 绿松石色 ）和单糖（ 黄色 ）相互作用时的结构预测，与真实结构准确匹配（ 灰色的）AlphaFold 3 对蛋白复合物的预测，其中蛋白质（ 蓝色 ）与 DNA （ 粉色 ）结合，预测模型与实验测定的真实分子结构（ 灰色 ）近乎完美匹配除了生成质量相当哇塞，精度也是遥遥领先的原子级。在蛋白质与核酸配体的模拟上全面优于其他产品，抗原抗体的模拟也同样优秀。而操作 AlphaFold3 就更容易了。用 ChatGPT ，咱还得想办法提个好问题、写好提示词，而在 AlphaFold 3 ，你只需要输入一些分子列表，它就能预测出它们是如何组合在一起的。试想一下，原先需要花大量时间精力和资金才能观察到的现象，现在只需要在网站输入参数再单击，几分钟后就能产生极高清晰度和准确度的生物大分子模型。甚至细胞系统内部的生化过程，现象， DNA 如何发挥作用，药物和激素的反应如何进行，也全都能在极短时间内被整明白。这些遥遥领先的数据，和大家的热情好像都在说：这次发布已经不是跨越式进步了，而是革命性的突破，整个传统生物医疗的科研方式，似乎都要被改变了。不过世超觉得，乐观是好的，但是科学这玩意儿除了乐观，要的还得是中肯和严谨。在各路媒体和网友都在 “ 炸裂 ” “ 颠覆 ” “ 改变世界 ” 的时候，圈内对的不少大佬，也发表了些对 AlphaFold 3 的评价。比如颜宁教授团队就发现， 3.0 版本在一个糖蛋白预测中就翻车了，表现甚至不如前代版本。也有不少科学家吐槽 3.0 相比 2.0 它还不开源了，使用次数也有限制。甚至，还有人质疑 DeepMind 的老板 Hassabis ，他自己就创立过一家 “ 专注人工智能的药物公司 ” ，号称要 “ 利用人工智能重新定义药物发现 ” ，但从 2021 年到，今天他们还没有推出任何药物。当然这就有点在尬黑了，毕竟药物研发过程中，蛋白质结构问题只是其中一小部分，这并不能对药物研发进度产生决定性影响……总之，世超觉得 AlphaFold 的三代产品确实喜人，但在生命科学的漫漫实践长路上，它依旧有着不少难题需要去突破。不过说到底，进步总还是好事，希望 DeepMind 能再多搞点，搞快点吧。 ... PC版： 手机版：

科学家利用固态自旋量子传感器研究了电子自旋之间新的速度相关相互作用

科学家利用固态自旋量子传感器研究了电子自旋之间新的速度相关相互作用 标准模型是粒子物理学中一个非常成功的理论框架，描述了基本粒子和四种基本相互作用。然而，标准模型仍然无法解释当前宇宙学中的一些重要观测事实，例如暗物质和暗能量。一些理论认为，新粒子可以充当传播者，在标准模型粒子之间传递新的相互作用。目前，缺乏关于自旋速度相关新相互作用的实验研究，特别是在相对较小的力距离范围内，几乎不存在实验验证。研究人员设计了一个配备两颗钻石的实验装置。使用化学气相沉积在每颗钻石表面制备了高质量的氮空位 （NV） 集成。一个NV系综中的电子自旋用作自旋传感器，而另一个则充当自旋源。研究人员通过相干地操纵两个金刚石NV系综的自旋量子态和相对速度，在微米尺度上寻找电子速度依赖性自旋之间的新相互作用效应。首先，他们使用自旋传感器来表征磁偶极子与自旋源的相互作用作为参考。然后，通过调制自旋源的振动并执行锁定检测和相位正交分析，他们测量了SSIVD。研究的实验结果。图片来源：DU et al.对于两种新的相互作用，研究人员分别在小于1厘米和小于1公里的力范围内进行了首次实验检测，获得了宝贵的实验数据。正如编辑所说，“这些结果为量子传感界带来了新的见解，以利用固态自旋的紧凑、灵活和敏感特征来探索基本相互作用。该团队由中国科学院中国科学技术大学杜江峰院士和邢荣教授领导，浙江大学焦满教授合作。更多信息：Yue Huang 等人，与固态量子传感器的奇异自旋-自旋-速度相关相互作用的新约束，物理评论快报 （2024）。DOI： 10.1103/PhysRevLett.132.180801 ... PC版： 手机版：

男童的发现揭示了植物与昆虫之间高度复杂的相互作用

男童的发现揭示了植物与昆虫之间高度复杂的相互作用 据美国宾夕法尼亚州立大学（Pennsylvania State University）萨拉·拉琼斯（Sara LaJeunesse）2022年9月2日报道，男孩的发现揭示了植物和昆虫之间高度复杂的相互作用（Boy's discovery reveals highly complex plant-insect interaction）。上述图示是一只蚂蚁拿着一个含有黄蜂幼虫（wasp larvae）的橡树瘿（oak gall）。研究人员发现蚂蚁、黄蜂和橡树之间有着复杂的关系。 当8岁的雨果·迪恩斯（Hugo Deans）在后院的一根木头下的蚂蚁窝附近发现了一些BB大小的物体时，他认为它们是一种种子。然而，他的父亲安德鲁·迪恩斯（Andrew Deans，宾夕法尼亚州立大学的昆虫学教授）很快就知道它们是什么其实就是橡树瘿，或者是由昆虫引发的植物生长。他当时没有意识到的是，虫瘿是蚂蚁、黄蜂和橡树之间复杂关系的一部分，这一发现将颠覆一个世纪以来关于植物与昆虫相互作用的知识。 ... 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot