GoogleDeepMind开发的先进算法已在一定程度上破解了生物学领域最大的未解之谜之一。AlphaFold旨在根据蛋白质构建块中的“指令代码”预测蛋白质的三维结构。最新升级版已于近期发布。最新升级版已于近期发布。

蛋白质是生物体的重要组成部分，参与细胞内的几乎所有过程。但它们的形状通常很复杂，很难可视化。因此，能够预测它们的三维结构可以为了解包括人类在内的生物体内的过程提供窗口。

这为开发治疗疾病的药物提供了新的机会。这反过来又为所谓的分子医学开辟了新的可能性。在这一领域，科学家努力在分子水平上找出疾病的原因，并开发出在分子水平上纠正疾病的治疗方法。

DeepMind的AI工具的第一个版本于2018年发布。今年发布的最新版本是AlphaFold3。结构预测关键评估(Casp)是一项全球性竞赛，旨在评估预测蛋白质结构的新方法，自1994年以来每两年举行一次。2020年，Casp竞赛测试了AlphaFold2，并给人留下了深刻的印象。从那时起，研究人员就热切期待该算法的每一个新版本。

然而，作为一名硕士生，我曾因在某些课程中使用AlphaFold2而受到斥责。这是因为它被认为只是一个预测工具。换句话说，如果没有实验验证，谁能知道预测的结果是否与真实蛋白质相符?

这个观点很有道理。过去十年，实验分子生物学领域经历了一场革命，一种名为低温电子显微镜(cryo-EM)的显微镜技术取得了长足进步，该技术利用冷冻样品和温和的电子束以高分辨率捕捉生物分子的结构。

AlphaFold等人工智能工具的优势在于，它可以更快地(几分钟内)阐明蛋白质结构，而且几乎无需任何成本。结果更容易获得，并可在全球范围内在线访问。它们还可以预测众所周知难以通过实验验证的蛋白质结构，例如膜蛋白。

然而，AlphaFold2并非为解决蛋白质四级结构而设计的，即多个蛋白质亚基形成一个更大的蛋白质。这涉及对蛋白质分子不同单元如何折叠的动态可视化。一些研究人员报告说，它有时似乎难以预测蛋白质的结构元素，即所谓的线圈。

当我的教授在5月份联系我，告诉我AlphaFold3已经发布的消息时，我的第一个疑问是它预测四级结构的能力。它成功了吗?我们现在能够朝着预测完整结构迈出一大步了吗?早期报告表明这些问题的答案是肯定的。

实验方法速度较慢。当它们能够捕捉分子的3D结构时，它更像是在看一尊雕像——蛋白质的快照——而不是观察它如何移动和相互作用以在体内发挥作用。换句话说，我们想要的是电影，而不是照片。

传统实验方法也难以解决膜蛋白问题——膜蛋白是附着于细胞膜或与细胞膜相关的关键分子。这些分子往往对理解和治疗许多严重疾病至关重要。

AlphaFold3可以真正改变现状。如果它能够成功预测四级结构，其水平等于或高于晶体学、低温电子显微镜等实验方法，并且能够比竞争对手更好地可视化膜蛋白，那么我们在真正的分子医学竞赛中将取得巨大飞跃。

AlphaFold3只能通过DeepMind服务器访问，但使用起来很简单。研究人员只需几分钟就可以从序列中获得结果。AlphaFold3的另一个前景是进一步颠覆。DeepMind并不是唯一一家雄心勃勃想要解决蛋白质折叠问题的公司。随着下一届Casp竞赛的临近，其他人也希望赢得比赛。例如，雷丁大学的LiamMcGuffin和他的团队在质量评估和预测蛋白质复合物的化学计量方面取得了进展。化学计量是指元素或化合物相互反应的比例。

并非所有该领域的科学家都以同样的方式追求这一目标。其他人则试图解决类似的挑战，比如3D模型的质量或膜蛋白等特定障碍。竞争激烈，推动了该领域的进步。

然而，实验方法不会很快消失，也不应该消失。低温电子显微镜的进步值得称赞，X射线晶体学仍然为我们提供生物分子最精细的分辨率。位于德国的欧洲XFEL激光器可能是下一个突破。这些技术只会继续改进。

在研究这个新领域时，我最大的疑问是，人类本能地在获得绝对证据之前会妥协，而AlphaFold是否会改变这种本能。如果这项新技术能够给出与实验验证相当甚至更好的结果，我们是否愿意接受它?如果可以，它的速度和准确性可能会对药物开发等领域产生重大影响。

借助AlphaFold3，我们可能首次扫清了蛋白质预测革命中最重要的障碍。我们将如何创造这个新世界?我们又能用它制造什么药物?

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：