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 AlphaFold 3：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 AlphaFold 3，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。 AlphaFold 3 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。AlphaFold 3 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 AlphaFold 3，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 Demis Hassabis 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

DeepMind的新型人工智能可为DNA、RNA和"所有生命分子"建模

DeepMind的新型人工智能可为DNA、RNA和"所有生命分子"建模 访问：Saily - 使用eSIM实现手机全球数据漫游 安全可靠 源自NordVPN AlphaFold 以前的版本只能预测蛋白质的结构。AlphaFold 3 不局限于此，它还能为 DNA、RNA 和称为配体的小分子建模，从而扩大了模型的科学应用能力。DeepMind 称，与之前的模型相比，新模型的预测准确率提高了 50%。DeepMind 首席执行官德米斯-哈萨比斯（Demis Hassabis）在发布会上对记者说："AlphaFold 2 是结构生物学领域一个重要的里程碑时刻，它开启了各种令人惊叹的研究。AlphaFold 3 是在利用人工智能理解和模拟生物学的道路上迈出的一步。"AlphaFold 3 有一个分子结构库。研究人员输入想要组合的分子清单，然后 AlphaFold 3 使用扩散方法生成新结构的三维模型。Stable Diffusion等人工智能图像生成器用来组合照片的人工智能系统是同一种类型。DeepMind 称，哈萨比斯创办的药物发现公司 Isomorphic Labs 一直在内部项目中使用 AlphaFold 3。到目前为止，该模型帮助 Isomorphic Labs 提高了对新疾病靶点的认识。除了该模型，DeepMind 还向一些研究人员免费提供研究平台 AlphaFold Server。该服务器由 AlphaFold 3 提供支持，无论科学家的计算能力如何，都能生成生物分子结构预测结果。哈萨比斯说，该服务器可用于学术和非商业用途，但 Isomorphic Labs 正在与制药合作伙伴合作，将 AlphaFold 模型用于药物发现项目。Google表示，它正在与科学界和政策领导者合作，以负责任的方式部署该模型。Google在一份文件中说，一些生物安全专家认为，人工智能模型"可能会降低威胁行为者的门槛，使他们能够与其他技术相结合，设计和制造传播性或危害性更强的病原体和毒素"。该公司称，在 AlphaFold 3 推出之前，它就与领域专家以及生物安全、研究和行业专家合作，找出了 AlphaFold 3 存在的风险。了解更多： ... 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：

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 Google DeepMind 将由 DeepMind 首席执行官 Demis Hassabis 领导，谷歌大脑负责人 Jeff Dean 将担任 Google DeepMind 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。

科学家用尖端人工智能揭开蛋白质的秘密

科学家用尖端人工智能揭开蛋白质的秘密 该工具由 KAUST 生物信息学研究员 Maxat Kulmanov 及其同事开发，在预测蛋白质功能方面优于现有的分析方法，甚至能够分析现有数据集中没有明确匹配的蛋白质。该模型被称为 DeepGO-SE，它利用了类似于 Chat-GPT 等生成式人工智能工具所使用的大型语言模型。然后，它根据蛋白质工作方式的一般生物学原理，利用逻辑蕴含得出关于分子功能的有意义的结论。从本质上讲，它通过构建部分世界模型（在本例中为蛋白质功能），并根据常识和推理推断出在这些世界模型中应该发生的事情，从而赋予计算机逻辑处理结果的能力。一种新的人工智能（AI）工具能对未知蛋白质的功能进行逻辑推理，有望帮助科学家揭开细胞内部的奥秘。图片来源：© 2024 KAUST; Ivan Gromicho他补充说："这种方法有很多应用前景，"KAUST 生物本体论研究小组负责人罗伯特-霍恩多夫（Robert Hoehndorf）说，"特别是当需要对神经网络或其他机器学习模型生成的数据和假设进行推理时。"库尔曼诺夫和霍恩多夫与KAUST的斯特凡-阿罗德（Stefan Arold）以及瑞士生物信息学研究所的研究人员合作，评估了该模型破译那些在体内作用未知的蛋白质功能的能力。该工具成功地利用了一种鲜为人知的蛋白质的氨基酸序列数据及其与其他蛋白质的已知相互作用，并精确地预测了其分子功能。该模型非常精确，在一次国际功能预测工具竞赛中，DeepGO-SE 在 1600 多种算法中名列前 20 位。KAUST 团队目前正在利用这一工具研究在沙特阿拉伯沙漠极端环境中生长的植物中发现的神秘蛋白质的功能。他们希望这些发现将有助于确定生物技术应用中的新型蛋白质，并希望其他研究人员也能使用这一工具。库尔曼诺夫解释说："DeepGO-SE分析未表征蛋白质的能力可以促进药物发现、代谢通路分析、疾病关联、蛋白质工程、筛选感兴趣的特定蛋白质等任务。"编译来源：ScitechDaily ... PC版： 手机版：