博客摘录「 AlphaFold 3来了！闭源但可供科研使用，DeepMind 子公司近水楼台先推进商用？」2024年5月10日

本文链接：https://blog.csdn.net/weixin_41429382/article/details/138645123

笔记：AlphaFold 3 介绍与分析

标题：AlphaFold 3来了！闭源但可供科研使用，DeepMind 子公司近水楼台先推进商用？

作者：HyperAI超神经

发布时间：2024-05-09

阅读量：1k

点赞数：11

版权声明：遵循CC 4.0 BY-SA 版权协议

AlphaFold 3 简介

发布者：Google DeepMind 联合其子公司 Isomorphic Labs
发布日期：2024年5月8日
特点：以前所未有的精确度预测所有生命分子的结构和相互作用，包括蛋白质、DNA、RNA、配体等
性能提升：与现有方法相比，提高了至少50%的预测准确性，某些相互作用类别提高一倍

AlphaFold 3 技术升级

Pairformer 模块：取代 AlphaFold 2 的 Evoformer，减少多序列比对处理量
扩散模块：取代结构模块，直接预测原始原子坐标，提高数据效率
生成式训练程序：产生答案分布，确定局部结构，避免结构上的违规损失

AlphaFold 3 性能对比

Protein-dsDNA 预测：成功率64.8%，相较于 RosettaAlphaFold2NA 的28.3%
Protein-Antibody 预测：成功率62.9%，其他系统成功率29.6%

AlphaFold 成长史

AlphaGo：击败李世石，Alpha 系列名声大噪
AlphaFold 1：2018年CASP中名列榜首，准确预测25种蛋白质结构
AlphaFold 2：2020年面世，实现蛋白质单体结构高准确度预测
AlphaFold-Multimer：2021年10月发布，拓展至多种蛋白质复合物建模

Isomorphic Labs 角色

成立时间：2021年11月
使命：利用AI和机器学习方法加速药物发现过程
管理团队：包括Demis Hassabis（CEO）、Miles Congreve（CSO）、Sergei Yakneen（CTO）、Max Jaderberg（机器学习总监）
合作：与礼来和诺华达成价值30亿美元的药物研发协议

AlphaFold Server

目的：支持非商业性研究的公共接口
功能：允许生物学家为多种分子结构进行建模，预测分子间的相互作用
访问：通过官网 alphafoldserver.com 使用

结语

AlphaFold 3 的问世被视为科学探索的重大飞跃和生物医药研发新纪元的关键工具。尽管目前没有开源完整代码的计划，但其公共接口的发布为全球科研人员提供了便利。同时，Isomorphic Labs 的成立和合作项目表明了 AlphaFold 3 在商业应用方面的潜力。

参考资料

其他信息

文章还提到了其他与 AlphaFold 3 相关的技术、历史和合作细节，以及对未来应用的展望。

AlphaFold 3 的性能提升是通过与现有的蛋白质结构预测方法相比较得出的。在科学和生物信息学领域，预测准确性通常通过以下几种方式进行评估：

实验验证：通过实验方法，如X射线晶体学、核磁共振（NMR）或冷冻电镜（cryo-EM）等，获得蛋白质的三维结构，并与预测结构进行比较。

统计分析：使用统计指标来衡量预测结构与实验确定结构之间的相似度。常见的指标包括全局距离测试总和（Global Distance Test, GDT）、均方根偏差（Root Mean Square Deviation, RMSD）等。

盲测挑战：在某些情况下，如蛋白质结构预测竞赛（Critical Assessment of protein Structure Prediction, CASP）中，预测方法会在不知道真实结构的情况下进行盲测，以评估其准确性。

交叉验证：在机器学习模型开发中，使用交叉验证来评估模型的泛化能力，即在未知数据上的表现。

比较模型：将AlphaFold 3 的预测结果与其他预测方法的结果进行比较，看哪个模型的预测与实验数据更为接近。

性能基准：在蛋白质结构预测领域，通常会有一系列已知的基准数据集，用于测试和比较不同预测方法的性能。

科学出版物和同行评审：通过在科学期刊上发表研究结果，并经过同行评审，可以进一步验证预测方法的准确性和可靠性。

在AlphaFold 3 的情况下，DeepMind 团队可能使用了上述一种或多种方法来评估其预测准确性，并与现有方法进行了比较。具体的评估细节和使用的方法通常会在相关的科学出版物或技术文档中详细描述。

Evoformer 是 AlphaFold 2 中的一个关键组件，它是用于处理多序列比对（Multiple Sequence Alignment, MSA）的神经网络模块。在生物信息学中，多序列比对是一种将三个或更多个序列（通常是蛋白质或核酸序列）按照相似的残基进行排列的方法，以揭示序列之间的同源性（即它们是否有共同的进化历史）。

Evoformer 模块利用了深度学习技术，特别是注意力机制（attention mechanism），来预测序列之间的对齐和相似性。它通过考虑序列中所有可能的列对之间的关系来生成一个多序列比对，这是蛋白质结构预测中的一个关键步骤。

AlphaFold 3 中的 Pairformer 模块取代了 Evoformer，目的是简化多序列比对的处理过程，减少计算量，同时保持或提高预测的准确性。Pairformer 通过成对加权平均法（pair-weighted averaging）处理 MSA representation，并使用更少的 MSA 模块，从而提高了数据效率。

简而言之，Evoformer 是 AlphaFold 2 中用于多序列比对的神经网络模块，而 Pairformer 是 AlphaFold 3 中的对应模块，它在保持预测性能的同时，优化了计算效率。

在蛋白质结构预测中，原始原子坐标指的是构成蛋白质的每个原子在三维空间中的具体位置。这些坐标描述了蛋白质的三维结构，包括其主链（backbone）和侧链（side chains）的原子的位置。蛋白质的原子坐标通常以笛卡尔坐标系中的x、y、z三个方向上的数值来表示。

以下是关于原始原子坐标的一些关键点：

精确性：原子坐标的精确性对于理解蛋白质的三维结构至关重要，因为它们决定了蛋白质的形状和功能。

结构域：蛋白质通常由一个或多个结构域组成，每个结构域都有其特定的原子坐标。

分辨率：原子坐标的分辨率取决于实验方法或预测技术。例如，X射线晶体学可以提供非常高分辨率的原子坐标，而预测方法可能只能提供近似的坐标。

数据库：实验确定的蛋白质结构的原子坐标被存储在蛋白质数据库（Protein Data Bank, PDB）中，供科研人员使用。

在AlphaFold 3中，扩散模块（Diffusion Module）取代了之前版本中的结构模块，直接预测原始原子坐标。这意味着该模块能够从氨基酸序列出发，不经过复杂的中间步骤，直接生成蛋白质的三维原子坐标。这种方法提高了数据效率，因为它减少了计算资源的消耗，并可能加快了预测过程。

扩散模块的工作原理是通过训练一个模型来接收“噪声”原子坐标，然后通过去噪过程预测出真实的原子坐标。这个过程涉及到对蛋白质结构在不同噪声水平下的理解和预测，从而能够生成准确的蛋白质三维结构。

AlphaFold 3 在预测 Protein-dsDNA（蛋白质与双链DNA相互作用）和 Protein-Antibody（蛋白质和抗体之间的相互作用）的结构时，采用了其先进的深度学习模型和算法。以下是这些预测背后的一些基本原理：

深度学习模型：AlphaFold 3 使用了深度学习技术，特别是神经网络，来识别和预测蛋白质和DNA或抗体之间相互作用的复杂模式。

多序列比对（MSA）：通过分析来自不同物种的同源蛋白质序列，构建MSA，这有助于揭示蛋白质家族的进化关系和保守的功能性区域。

注意力机制：AlphaFold 3 利用注意力机制来识别序列中重要的残基对，这对于预测蛋白质的三维结构至关重要。

结构预测：通过学习氨基酸序列与蛋白质结构之间的关联，模型能够预测蛋白质的三维结构，包括蛋白质复合物中的相互作用。

扩散模型：AlphaFold 3 使用了扩散模型来直接预测原始原子坐标，这种方法可以处理复杂的化学成分，并且能够生成准确的结构预测。

生成式训练：AlphaFold 3 的训练过程是生成式的，意味着它能够生成一个答案分布，即使对于模型不确定的位置，也能够提供局部结构的信息。

性能对比：AlphaFold 3 的预测成功率是通过与现有技术（如RosettaAlphaFold2NA）进行比较得出的。这些比较通常基于特定的评估指标，如预测结构与实验确定结构之间的均方根偏差（RMSD）。

实验验证：虽然AlphaFold 3 的预测是基于计算模型，但预测的准确性往往需要通过实验方法进行验证，如X射线晶体学或冷冻电镜。

在预测Protein-dsDNA和Protein-Antibody结构时，AlphaFold 3 能够利用其先进的算法和大量的训练数据来预测这些复杂相互作用的三维结构，从而在成功率上超越了其他系统。这些预测对于理解生物学过程和开发新药具有重要意义。