文章專區

近年來，AlphaFold等人工智慧（artificial intelligence, AI）預測蛋白質立體結構的能力逐漸提升，為生物學研究帶來革命性的突破。儘管如此，科學家仍期待AI能做到更多，像是預測蛋白質上的功能性修飾，或是與DNA、RNA等分子的互動。今（2024）年5月，DeepMind推出的Alphafold最新版本──AlphaFold 3，終於實現了此目標。
 
2021年AlphaFold 2的問世，讓科學家能夠從胺基酸序列直接預測蛋白質的立體結構，且準確度與實驗室研究做出的結果相差無幾。隨後這項技術快速地被廣泛應用於研究中，例如用於解析細胞中的重要蛋白質複合體、尋找新藥物分子、繪製已知蛋白質的結構圖譜等。不過，AlphaFold 2無法處理蛋白質上的功能性修飾，也無法預測蛋白質與其他分子，例如DNA、RNA等的互動。DeepMind最新推出的AlphaFold 3以Alphafold 2為基礎，進行了重大的系統升級。AlphaFold 3使用一種被應用於Midjourney等圖像生成式AI中的「擴散模型」（diffusionmodel）機器學習網絡，使它對於目標序列相關的蛋白質資訊依賴性更低，且不僅能預測單個蛋白質的結構，還可以預測蛋白質與其他分子組成的複合物結構，並顯示它們的結合方式。此外，AlphaFold 3也能做到前一代的Alphafold 2無法辦到的事，那就是預測蛋白質與DNA、RNA等分子結合後的複合物結構。
 
來自英國弗朗西斯．克里克研究所（Francis Crick Institute）的生物化學家烏爾曼（ Frank Uhlmann） 認為，AlphaFold 3是一項革命性突破，它讓結構生物學研究變得更加簡便容易。他的研究團隊也已經利用AlphaFold 3預測了一些參與基因體複製的DNA結合蛋白質結構，並以實驗證實AlphaFold 3預測的準確性。除了在基礎研究領域的應用，AlphaFold 3在藥物開發方面也展現出強大能力。它在預測小分子與蛋白質的結合方面，比傳統的蛋白質分子對接（docking）〔註〕軟體表現更為優異。
 

〔註〕透過物理的方式模擬化學物質與蛋白質的結合程度，後續會再藉助蛋白質實驗以確定結構。

 
不過，AlphaFold 3與RoseTTAFold、AlphaFold 2不同，在使用上有一定的限制。現階段，科學家無法獲得完整的AlphaFold 3原始碼，且此模型在訓練後獲得的其他資訊也不會被公開，只能通過DeepMind的線上服務進入AlphaFold 3伺服器進行結構預測，每天最多十次。另外，科學家也無法獲得預測中可能與藥物結合的蛋白質結構，且禁止商業用途。至於能夠將AlphaFold 3的成果應用於藥物開發的，則是DeepMind衍生的新公司「Isomorphic Labs」。
 
DeepMind的這項做法引發了一些爭議。加州大學（University of California）藥物化學家蕭伊謝（BrianShoichet）就認為，由於藥物分子與蛋白質結合的模擬受到限制，AlphaFold 3可能不會像AlphaFold 2那樣對研究領域產生巨大影響。而麻省理工學院（Massachusetts Institute of Technology,MIT）的演化生物學家奧欽尼科夫（Sergey Ovchinnikov）則推估到了今年年底，就會有其他團隊開發出開源版本的AlphaFold 3。
 
本次更新的AlphaFold 3擴展了AI在蛋白質結構預測領域的能力，未來有望在基礎生命科學研究、藥物開發等領域發揮重要作用。雖然目前它的使用仍受一定限制，也期待未來AlphaFold 3開源版本的出現，能進一步推進相關學科的發展。

新聞來源
1. Callaway E. (08 May 2024). Major AlphaFold upgrade offers boost for drug discovery. Nature, https://www.nature.com/articles/d41586-024-01383-z.
2. Google DeepMind AlphaFold team. (08 May 2024). AlphaFold 3 predicts the structure and interactions of all of life’s molecules. Googleblog, https://blog.google/technology/ai/google-deepmindisomorphic-alphafold-3-ai-model/#life-molecules