DeepMind最新AlphaFold模型有助于新药研发

DeepMind最新AlphaFold模型有助于新药研发实验室的工作仍在继续。今天，DeepMind透露，最新版本的AlphaFold（AlphaFold2的后继者）可以对蛋白质数据库（世界上最大的生物分子开放获取数据库）中的几乎所有分子生成预测。据DeepMind博客上的一篇文章称，专注于药物发现的DeepMind衍生公司IsomorphicLabs已经将新的AlphaFold模型应用于治疗药物设计，帮助表征对治疗疾病很重要的不同类型的分子结构。新的AlphaFold的功能超出了蛋白质预测的范围。DeepMind声称，该模型还可以准确预测配体的结构-与“受体”蛋白结合并导致细胞通讯方式发生变化的分子）以及核酸（包含关键遗传信息的分子）和翻译后修饰（化学修饰）的结构。蛋白质产生后发生的变化。DeepMind指出，预测蛋白质配体结构可以成为药物发现的有用工具，因为它可以帮助科学家识别和设计可能成为药物的新分子。目前，药物研究人员使用称为“对接方法”的计算机模拟来确定蛋白质和配体如何相互作用。对接方法需要指定参考蛋白质结构以及该结构上配体结合的建议位置。然而，使用最新的AlphaFold，无需使用参考蛋白质结构或建议位置。该模型可以预测以前尚未“结构表征”的蛋白质，同时模拟蛋白质和核酸如何与其他分子相互作用——DeepMind表示，目前的对接方法无法实现这种建模水平。DeepMind在博文中写道：“早期分析还表明，我们的模型在一些与药物发现相关的蛋白质结构预测问题（例如抗体结合）上远远优于（上一代）AlphaFold。我们的模型在性能上的巨大飞跃表明人工智能具有极大增强对构成人体的分子机器的科学理解的潜力。”不过，最新的AlphaFold并不完美。DeepMind和IsomorphicLabs的研究人员在一份详细介绍该系统优势和局限性的白皮书中透露，该系统无法达到预测RNA分子（人体内携带制造蛋白质指令的分子）结构的一流方法。毫无疑问，DeepMind和IsomorphicLabs都在努力解决这个问题。...PC版：https://www.cnbeta.com.tw/articles/soft/1393483.htm手机版：https://m.cnbeta.com.tw/view/1393483.htm

谷歌 DeepMind 发布 AlphaFold 3：可预测药物如何与蛋白质相互作用

谷歌DeepMind发布AlphaFold3：可预测药物如何与蛋白质相互作用谷歌DeepMind公司近日推出了AlphaFold3，通过预测所有生命分子是如何相互作用的，加速寻找新药和探索新的治疗方法，治疗癌症、帕金森氏症、疟疾、肺结核等疾病。AlphaFold3能够预测人体每个细胞分子的复杂形状，以及如何相互连接，以及其中最小的变化如何影响可能导致疾病的生物功能。AlphaFold3能够生成活细胞及其联合3D结构，预测数百万种组合的相互作用，准确率要比现有常规方法高50%，并且可以在几秒钟内生成通常需要数月或数年才能完成的预测。科学家和医学专家希望借助AlphaFold3，深入研究抗体和药物的相互作用，寻找更好的治疗方法。DeepMind创始人兼首席执行官DemisHassabis表示，该项目为研究人员提供了一套比较完整的“工具集”，不仅大幅提高研发新药物的速度，而且可以改变人类对生物世界的理解。来源，频道：@kejiqu群组：@kejiquchat

世界最强AI实验室诞生：谷歌大脑与 DeepMind 宣布合并

世界最强AI实验室诞生：谷歌大脑与DeepMind宣布合并合并后的GoogleDeepMind将由DeepMind首席执行官DemisHassabis领导，谷歌大脑负责人JeffDean将担任GoogleDeepMind和谷歌研究院的首席科学家。谷歌大脑开发了当今最重要的神经网络架构Transformer和开源机器学习框架TensorFlow；DeepMind创造了战胜人类顶尖围棋选手的AlphaGo和预测了几乎全球所有蛋白质结构的AlphaFold。称，长期以来谷歌一直将谷歌大脑和DeepMind视为独立的团队，尽管它们在AI研究的部分领域存在很大重叠。这种模式有时会在双方领导者之间造成紧张关系，因为部门间会夺资源。——频道:@TestFlightCN

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AlphaFold3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，AlphaFold3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AlphaFold3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。”AlphaFold3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。——

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

GoogleDeepMind推出可预测所有生命分子的结构和相互作用的AlphaFold3GoogleDeepMind今天在博客中介绍了和IsomorphicLabs共同开发的AlphaFold3，一种新型生命科学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AlphaFoldServer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。——，

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AlphaFold3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AlphaFold3，他们更新了一个更牛逼的全方位模型，不仅能预测蛋白质DNARNA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AlphaFold3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AlphaFold3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AlphaFold3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AlphaFold3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）AlphaFold3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AlphaFold3，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AlphaFold3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：https://www.cnbeta.com.tw/articles/soft/1430464.htm手机版：https://m.cnbeta.com.tw/view/1430464.htm