最近又被AI新聞給刷屏，當年開發出AlphaGo，下棋下哭柯潔的GoogleDeepMind公司，在Nature上公佈最他們新一代AlphaFold3模型。AlphaFold，這個聽起來有點像折疊屏手機型號的名字，是他傢專門預測蛋白質結構的新AI。
生物體內幾乎所有的分子結構，它都可以預測。這意味著生物醫學研究從此開真 · 上帝視角，任何生物分子作用機理都將從黑盒中打開，變成透視模式。
不少媒體和網友開始歡呼， 21 世紀，這下真要成生物的世紀……
要看懂這次新發佈的 AlphaFold 3 有多牛，咱們就得先知道， DeepMind 和它的 AlphaFold ，曾給分子生物圈多大的震撼……
我們在九年義務教育裡都學過，生物體內最多的物質就是蛋白質，而要搞清楚生物分子的底層原理，就必須知道每個蛋白質具體長啥樣。
這麼說吧，在 AlphaFold 之前，大夥們預測蛋白質結構主要兩種辦法，
一是用 X 光照蛋白質晶體，也就是先拍片子再分析片子，再來搞懂它長啥樣。二是核磁共振 ( NMR ) 光譜，拍出大體形狀輪廓，再推測它的結構。
這些傳統辦法不僅慢，適用范圍小，需要不斷試錯，還費錢，每拍一次片子就花好幾萬美金，抵一輛小米 su7 。
這也是為啥蛋白質研究方向生物學傢，費錢且需要大量經驗……隻有那些經驗的老師傅，蛋白質仙人，才能更快猜到蛋白質的準確形狀，少拍點片子。
所以人們就琢磨，這種需要經驗總結的工作能不能靠 AI 解決呢？DeepMind 就來幹這事，為克服傳統拍片子的問題，第一代 AlphaFold 選擇技術路線的時候就攤牌：
不拍片子！
蛋白質既然由氨基酸構成，初代 AlphaFold 用的方法就是，利用來自各處公開的已知蛋白質結構，把這些蛋白質中每一對氨基酸的距離，鏈接角度，匯總起來做成一張圖， AI 用神經網絡消化完他們，再讓 AI 做出自己的預測。
而 2018 年第一代 AlphaFold 一經發佈，就技驚四座，力壓一眾實驗室老師傅，獲得第 13 屆蛋白質結構預測大賽 ( CASP ) 冠軍。
AI ，很神奇吧。
不過，初代 AlphaFold 有個問題，它更依賴局部數據的特征來訓練，它不太能提取到較遠元素之間的關系。就好像一個隻會寫短文，但學不會寫長篇小說的作傢。
問題是，很多蛋白質分子有長距離的依賴性，這讓初代 AlphaFold 的實力就有點捉襟見肘。
好在 2020 年發佈的 AlphaFold2.0 ，用上後來在 ChatGPT 上大火的 Transformer 模型。
Transformer 模型的註意力機制，則完美解決長距離氨基酸的問題，進步有多大呢？
2018 年蛋白質結構預測大賽裡 1.0 版本準確度得分不到 60 分，但是 2020 年大賽裡 2.0 版本拿到驚人的 92.4 分，它能生成的范圍已經涵蓋人類已知蛋白質的 98% ，更重要的是它完全開源。
可以說， 2.0 版本已經基本解決單鏈蛋白質的預測問題，到 2021 年，基於 2.0 改版的 AlphaFold-Multimer 發佈，也支持上多鏈，準確度上也取得突破，蛋白質之間作用的預測準確率超過 70% 。
所以現在很多公司也用上它們，甚至助力國外一些新冠疫苗研發。
但在 DeepMind 看來，蛋白質結構預測上的勝利，還遠遠沒發揮完 AI 的潛力，因為生物體內的復雜分子結構不止有蛋白質，還有核酸，小分子配體等等，
這就好比你花十年時間學刻鑰匙開鎖技術，結果一出師，發現大傢用的都是指紋鎖密碼鎖，用傳統鑰匙的人太少！
所以這次 AlphaFold 3 ，他們更新一個更牛逼的全方位模型，不僅能預測蛋白質 DNA RNA 等各種小分子，還能揭示他們之間的互相作用。
那這是怎麼幹的呢？答案是，他們用 Diffusion 。
對，就是大名鼎鼎的擴散模型，在 AI 繪畫大火的時候，想必大傢就聽說過。它的原理就是把原圖像不斷打碼，再讓 AI 學會預測這些馬賽克的生成過程，然後反過來實現從馬賽克到圖像的生成。
不過，就像 AI 畫畫生成不好手指， Sora 椅子視頻會穿模一樣， Diffusion 加持下的 AlphaFold 3 也會預測錯誤，特別是在一些長得相似難以區分的結構上，比如各位高中有機化學裡學過的手性分子。
所以在這些容易出錯的地方， DeepMind 用一個叫做交叉蒸餾的操作，說白就是讓有 Transform 模型的 2 代版本先預測，再把預測數據添加到 AlphaFold 3 的訓練中，也就是相當於讓 2 代扮演教師，領著 3 代去做，這樣就能減少預測失誤。
生成的效果有多好？直接看官方圖吧
AlphaFold 3 對 7BBV - 酶 ( 存在於一種土壤真菌體內 ) 的預測，其中酶蛋白（ 藍色 ）、離子（ 黃色球體 ）和單糖（ 黃色 ）與真實結構（ 灰色 ）幾乎重合
AlphaFold 3 對感冒病毒刺突蛋白（ 藍色 ）與抗體（ 綠松石色 ）和單糖（ 黃色 ）相互作用時的結構預測，與真實結構準確匹配（ 灰色的）
AlphaFold 3 對蛋白復合物的預測，其中蛋白質（ 藍色 ）與 DNA （ 粉色 ）結合，預測模型與實驗測定的真實分子結構（ 灰色 ）近乎完美匹配
除生成質量相當哇塞，精度也是遙遙領先的原子級。在蛋白質與核酸配體的模擬上全面優於其他產品，抗原抗體的模擬也同樣優秀。
而操作 AlphaFold3 就更容易。用 ChatGPT ，咱還得想辦法提個好問題、寫好提示詞，而在 AlphaFold 3 ，你隻需要輸入一些分子列表，它就能預測出它們是如何組合在一起的。
試想一下，原先需要花大量時間精力和資金才能觀察到的現象，現在隻需要在網站輸入參數再單擊，幾分鐘後就能產生極高清晰度和準確度的生物大分子模型。
甚至細胞系統內部的生化過程，現象， DNA 如何發揮作用，藥物和激素的反應如何進行，也全都能在極短時間內被整明白。
這些遙遙領先的數據，和大傢的熱情好像都在說：這次發佈已經不是跨越式進步，而是革命性的突破，整個傳統生物醫療的科研方式，似乎都要被改變。
不過世超覺得，樂觀是好的，但是科學這玩意兒除樂觀，要的還得是中肯和嚴謹。
在各路媒體和網友都在 “ 炸裂 ” “ 顛覆 ” “ 改變世界 ” 的時候，圈內對的不少大佬，也發表些對 AlphaFold 3 的評價。
比如顏寧教授團隊就發現， 3.0 版本在一個糖蛋白預測中就翻車，表現甚至不如前代版本。
也有不少科學傢吐槽 3.0 相比 2.0 它還不開源，使用次數也有限制。
甚至，還有人質疑 DeepMind 的老板 Hassabis ，他自己就創立過一傢 “ 專註人工智能的藥物公司 ” ，號稱要 “ 利用人工智能重新定義藥物發現 ” ，但從 2021 年到，今天他們還沒有推出任何藥物。
當然這就有點在尬黑，畢竟藥物研發過程中，蛋白質結構問題隻是其中一小部分，這並不能對藥物研發進度產生決定性影響……
總之，世超覺得 AlphaFold 的三代產品確實喜人，但在生命科學的漫漫實踐長路上，它依舊有著不少難題需要去突破。不過說到底，進步總還是好事，希望 DeepMind 能再多搞點，搞快點吧。