跳到正文
Isomorphic Labs·· 2024-05-08精选AI 评分95

Isomorphic Labs 与 Google DeepMind 发布 AlphaFold 3,可预测多种生物分子结构及相互作用

AlphaFold 3 predicts the structure and interactions of all of life’s molecules

AI 导读

Isomorphic Labs 与 Google DeepMind 发布 AlphaFold 3,可预测蛋白质、DNA、RNA 和配体等分子的结构及相互作用。论文称其在蛋白质与其他分子相互作用的预测上较现有方法至少提升 50%,部分重要类别准确率翻倍。

推荐理由

原文给出 AlphaFold 3 在蛋白质与其他分子相互作用预测上至少提升 50% 的结果,并交代其覆盖 DNA、RNA 与配体的建模范围。

正文 · AI 翻译

我们推出 AlphaFold 3,这是由 Isomorphic Labs 和 Google DeepMind 开发的全新 AI 模型。通过准确预测蛋白质、DNA、RNA、配体等分子的结构及其相互作用方式,我们希望它能帮助改变我们对生物世界和药物发现的理解。

‍2024 年 11 月 11 日更新:截至 2024 年 11 月,我们已发布 AlphaFold 3 模型代码和权重,供学术界使用,以助力推进研究。了解更多关于 AlphaFold 工具的信息。

在每一种植物、动物和人类细胞中,都有数十亿个分子机器。它们由蛋白质、DNA 和其他分子组成,但没有任何一个部件能独立运作。只有看到它们如何在数百万种组合中相互作用,我们才能开始真正理解生命的过程。

在发表于 Nature 的一篇论文中,我们介绍了 AlphaFold 3,这是一个革命性的模型,能够以前所未有的精度预测所有生命分子的结构和相互作用。与现有的预测方法相比,对于蛋白质与其他类型分子的相互作用,我们实现了至少 50% 的提升;对于某些重要的相互作用类别,预测精度更是提高了一倍。

我们希望 AlphaFold 3 能帮助改变我们对生物世界和药物发现的理解。科学家可以通过新推出的 AlphaFold Server——一个易于使用的研究工具——免费使用其大部分功能。为了发挥 AlphaFold 3 在药物设计方面的潜力,我们 Isomorphic Labs 已经在与制药公司合作,将其应用于现实世界的药物设计挑战,并最终为患者开发出改变生命的新疗法。 

我们的新模型建立在 AlphaFold 2 的基础之上,后者于 2020 年在蛋白质结构预测方面取得了根本性突破。迄今为止,全球数百万研究人员已使用 AlphaFold 2 在疟疾疫苗、癌症治疗和酶设计等领域取得发现。AlphaFold 已被引用超过 20,000 次,其科学影响力也通过众多奖项得到认可,最近一次是生命科学突破奖。AlphaFold 3 将我们从蛋白质带向更广泛的生物分子领域。这一飞跃有望解锁更多变革性科学,从加速药物设计和基因组学研究,到开发生物可再生材料和更具抗逆性的作物。

7PNM - 普通感冒病毒(冠状病毒 OC43)的刺突蛋白:AlphaFold 3 对感冒病毒刺突蛋白(蓝色)与抗体(绿松石色)和简单糖类(黄色)相互作用时的结构预测,与真实结构(灰色)精确吻合。动画展示了该蛋白先与抗体、再与糖类相互作用的过程。推进我们对这类免疫系统过程的认识,有助于更好地理解包括 COVID-19 在内的冠状病毒,为改进治疗带来可能。

AlphaFold 3 如何揭示生命的分子 

给定一个分子列表,AlphaFold 3 会生成它们的联合三维结构,揭示它们如何组合在一起。它可对蛋白质、DNA 和 RNA 等大型生物分子以及小分子(也称为配体——包括许多药物在内的一类分子)进行建模。此外,AlphaFold 3 还能对这些分子的化学修饰进行建模,这些修饰控制着细胞的正常运作,一旦被破坏就可能导致疾病。

AlphaFold 3 的能力来自其新一代架构和如今涵盖所有生命分子的训练。该模型的核心是我们 Evoformer 模块的改进版本——这是一种支撑了 AlphaFold 2 惊人表现的深度学习架构。在处理输入之后,AlphaFold 3 使用扩散网络组装其预测结果,类似于 AI 图像生成器中的网络。扩散过程从一团原子云开始,经过许多步骤后收敛到其最终、最精确的分子结构。

AlphaFold 3 对分子相互作用的预测精度超越了所有现有系统。作为一个以整体方式计算整个分子复合物的单一模型,它能够独特地统一各种科学见解。

阅读我们在《自然》上的论文

7BBV - 酶:AlphaFold 3 对一个分子复合物的预测,其中包括一种酶蛋白(蓝色)、一个离子(黄色球体)和简单糖类(黄色),以及真实结构(灰色)。这种酶存在于一种会损害多种植物的土传真菌(大丽轮枝菌)中。了解这种酶如何与植物细胞相互作用,可能有助于研究人员培育更健康、更具抗逆性的作物。

引领 Isomorphic Labs 的药物发现

AlphaFold 3 为药物设计创造了能力,可对药物中常用的分子(如与蛋白质结合以改变其在人体健康和疾病中相互作用方式的配体和抗体)进行预测。

AlphaFold 3 在预测类药物相互作用方面达到了前所未有的精度,包括蛋白质与配体的结合以及抗体与其目标蛋白的结合。在 PoseBusters 基准测试中,AlphaFold 3 比最好的传统方法准确率高出 50%,且无需任何结构信息作为输入,这使 AlphaFold 3 成为首个超越基于物理的生物分子结构预测工具的 AI 系统。预测抗体与蛋白质结合的能力对于理解人类免疫应答的各个方面以及设计新型抗体——一类不断增长的疗法——至关重要。

我们将 AlphaFold 3 与一套互补的内部 AI 模型结合使用,正在为内部项目以及与制药合作伙伴的合作开展药物设计工作。我们正利用 AlphaFold 3 来加速并提高药物设计的成功率——通过帮助理解如何应对新的疾病靶点,以及开发新方法来攻克此前无法触及的现有靶点。

了解更多关于我们如何将 AlphaFold 3 用于药物设计的信息。

AlphaFold Server:一个免费且易于使用的研究工具

8AW3 - RNA 修饰蛋白:AlphaFold 3 对一个分子复合物的预测,其中包括一种蛋白质(蓝色)、一条 RNA 链(紫色)和两个离子(黄色),与真实结构(灰色)高度吻合。该复合物参与其他蛋白质的生成——这是生命与健康的基础性细胞过程。

Google DeepMind 最新推出的 AlphaFold Server 是全球最精准的工具,用于预测蛋白质在细胞内如何与其他分子相互作用。它是一个免费平台,供全球科学家用于非商业研究。只需几次点击,生物学家即可利用 AlphaFold 3 的强大功能,对由蛋白质、DNA、RNA 以及部分配体、离子和化学修饰组成的结构进行建模。

AlphaFold Server 帮助科学家提出可在实验室中验证的新假设,加快工作流程,并推动进一步的创新。这为研究人员提供了一种便捷的预测生成方式,无论其计算资源是否充足,或是否具备机器学习方面的专业知识。  

实验性蛋白质结构预测可能耗时约一个博士学位的时长,花费数十万美元。Google DeepMind 的上一代模型 AlphaFold 2 已被用于预测数亿个结构,若按当前实验结构生物学的速度,这将耗费数亿个研究人员年的工作量。

“有了 AlphaFold Server,重点已不再仅仅是预测结构,而是慷慨地开放访问:让研究人员能够提出大胆的问题,加速科学发现。”

Céline Bouchoux,The Francis Crick Institute

‍探索 AlphaFold Server

负责任地分享 AlphaFold 3 的强大能力

与 Google DeepMind 一道,我们致力于评估这项技术的广泛影响。我们与研究和安全界合作,采取科学主导的方式,开展了广泛评估,以降低潜在风险,并让生物学和人类共享其广泛益处。

在为 AlphaFold 2 开展外部咨询的基础上,Google DeepMind 目前已与生物安全、研究和产业领域的 50 多位领域专家以及专业第三方机构接洽,以了解各代 AlphaFold 模型的能力及任何潜在风险。在 AlphaFold 3 发布之前,我们还参与了社区范围内的论坛和讨论。

AlphaFold Server 体现了持续分享 AlphaFold 成果的承诺,其中包括包含 2 亿个蛋白质结构的免费数据库。我们将继续与科学界和政策制定者合作,负责任地开发和部署 AI 技术。

开启 AI 驱动的细胞生物学未来

7R6R - DNA 结合蛋白:AlphaFold 3 对一个分子复合物的预测——其中蛋白质(蓝色)与一段 DNA 双螺旋(粉色)结合——与通过艰苦实验发现的真实分子结构(灰色)几乎完美吻合。

AlphaFold 3 将生物世界带入高清时代。它让科学家能够看到细胞系统在结构、相互作用和修饰等各方面的全部复杂性。这扇观察生命分子的新窗口揭示了它们之间如何相互关联,并有助于理解这些关联如何影响生物功能——例如药物的作用、激素的产生以及维持健康的 DNA 修复过程。 

AlphaFold 3 和免费的 AlphaFold Server 将通过赋能科学家加速攻克生物学开放问题和新研究方向的探索来体现其影响。我们才刚刚开始挖掘 AlphaFold 3 的潜力,迫不及待地想看看未来会带来什么。

了解更多: 

阅读我们关于使用 AlphaFold 3 进行理性药物设计的博客

阅读我们发表在 Nature 上的论文

探索 AlphaFold Server

来源:Isomorphic Labs · isomorphiclabs.com