最近，世界超级计算机再次成为人工智能新闻的热门话题。谷歌DeepMind公司，曾经开发出AlphaGo并在与柯洁的对弈中取得了令人瞩目的胜利，如今在《自然》杂志上发布了他们的最新一代AlphaFold 3模型。
AlphaFold，这个听起来有点像折叠屏手机型号的名字，是DeepMind公司开发的一种新型人工智能技术，用于预测蛋白质的三维结构。
生物体内几乎所有的分子结构，科学家们可以预测。这意味着生物医学研究从此可以以一种全新的视角进行，任何生物分子的作用机理都可以被揭示出来，就像透视一样。
不少媒体和网友开始欢呼，21世纪，这下真要成为生物的世纪了！
要了解这次新发布的 AlphaFold 3 有多么厉害，我们需要先了解一下 DeepMind 和它的 AlphaFold 给分子生物领域带来了多大的影响。
我们在九年义务教育里都学过，生物体内最多的物质就是蛋白质，而要搞清楚生物分子的底层原理，就必须知道每个蛋白质具体的结构和组成。
在AlphaFold发布之前，人们通常使用两种方法来预测蛋白质的结构：
一种方法是使用X光照射蛋白质晶体，这意味着首先拍摄晶体的X射线图像，然后分析这些图像，以了解蛋白质的外观和形状。另一种方法是使用核磁共振（NMR）光谱，通过拍摄蛋白质的NMR谱图，可以推测出其大致形状和结构。
这些传统办法不仅慢，适用范围小，需要不断试错，还费钱，每拍一次片子就花好几万美金，相当于一辆小米 su7。
这也是为什么蛋白质研究是生物学家的一个重要方向，因为它需要投入大量的资金和经验。只有那些经验丰富的老师傅，也就是蛋白质的专家，才能更快地推测出蛋白质的准确形状，从而减少拍摄片子的数量。
所以人们就思考，这种需要经验总结的工作能否依靠人工智能来解决呢？DeepMind就来承担这个任务，为了克服传统拍片子的问题，第一代AlphaFold在选择技术路线时就公开了：
不拍电影！
蛋白质是由氨基酸组成的，AlphaFold首先利用来自各个公开已知蛋白质结构的信息，将这些蛋白质中每对氨基酸的距离和连接角度进行整合，形成一张图。然后，通过神经网络对这些信息进行处理，让AI进行预测。
而在2018年，第一代AlphaFold发布后，其表现出色，超过了其他实验室的老师傅们，成功获得了第13届蛋白质结构预测大赛（CASP）的冠军。
人工智能，非常令人惊奇。
不过，初代 AlphaFold 存在一个问题，它更加依赖局部数据的特征来进行训练，因此无法很好地提取较远元素之间的关系。可以将其比喻为一个只擅长写短文而无法写长篇小说的作家。
问题是，很多蛋白质分子之间存在着长距离的相互依赖关系，这使得初代 AlphaFold 的能力受到了一定的限制。
幸运的是，2020年发布了AlphaFold2.0，这是一种基于ChatGPT上大火的Transformer模型的应用。
Transformer 模型的注意力机制，则完美解决了长距离氨基酸之间的依赖关系的问题，取得了巨大的进步。
2018 年蛋白质结构预测大赛里 1.0 版本准确度得分不到 60 分，但是 2020 年大赛里 2.0 版本拿到了惊人的 92.4 分，它能生成的范围已经涵盖了人类已知蛋白质的 98% ，更重要的是它完全开源。
可以说，2.0版本已经基本解决了单链蛋白质的预测问题。到2021年，基于2.0改版的AlphaFold-Multimer发布，也支持了多链蛋白质的预测。在准确度方面也取得了突破，蛋白质之间作用的预测准确率超过了70%。
所以现在很多公司也开始使用这些技术，甚至为国外一些新冠疫苗的研发提供了支持。
但在 DeepMind 看来，蛋白质结构预测上的胜利，还远远没发挥完 AI 的潜力，因为生物体内的复杂分子结构不止有蛋白质，还有核酸（如DNA和RNA），小分子配体（如药物和化合物）等等。
这就好比你花了十年时间学刻钥匙开锁技术，结果一出师，发现大家用的都是指纹锁密码锁，用传统钥匙的人太少了！
所以这次 AlphaFold 3 ，他们更新了一个更强大的全方位模型，不仅能预测蛋白质、DNA、RNA等各种小分子的结构，还能揭示它们之间的相互作用。
那这是怎么实现的呢？答案是，他们采用了Diffusion技术。
对，就是著名的扩散模型，在AI绘画大热的时候，想必大家都听说过。它的原理是通过对原始图像进行不断的编码，然后让AI学习预测这些马赛克的生成过程，最后实现从马赛克到图像的生成。
不过，就像 AI 画画生成不好手指， Sora椅子视频会穿模一样， Diffusion 加持下的 AlphaFold 3 也会预测错误，特别是在一些长得相似难以区分的结构上，比如各位高中有机化学里学过的手性分子。
不过，就像人工智能在画画时可能无法准确绘制手指一样，AlphaFold 3 在Diffusion的帮助下也可能会出现预测错误的情况，尤其是在一些外观相似且难以区分的结构上，比如高中有机化学课程中学过的手性分子。
所以在这些容易出错的地方， DeepMind 用了一个叫做交叉蒸馏的操作，说白了就是让有 Transform 模型的第二代版本先进行预测，再将预测数据添加到 AlphaFold 3 的训练中，也就是相当于让第二代扮演教师，引导第三代进行预测，这样就能减少预测失误。
生成的效果有多好？直接看官方图吧
AlphaFold 3 对编号为7BBV的酶进行了预测，该酶存在于一种土壤真菌体内。预测结果显示，酶蛋白（以蓝色表示）、离子（以黄色球体表示）和单糖（以黄色表示）与真实结构（以灰色表示）几乎完全重合。
AlphaFold 3 对感冒病毒刺突蛋白（ 蓝色 ）与抗体（ 绿松石色 ）和单糖（ 黄色 ）相互作用时的结构进行了准确的预测，与真实结构完全匹配（ 灰色的）
AlphaFold 3 对蛋白复合物的预测，其中蛋白质（ 蓝色 ）与 DNA （ 粉色 ）结合，预测模型与实验测定的真实分子结构（ 灰色 ）非常相似
除了生成质量相当惊人，精度也是遥遥领先的原子级。在蛋白质与核酸配体的模拟上全面优于其他产品，抗原抗体的模拟也同样出色。
而操作 AlphaFold3 就更加简单了。使用ChatGPT ，我们需要思考如何提出一个好问题并写出适当的提示词，而在 AlphaFold 3 中，您只需输入一些分子列表，它就能预测它们的组合方式。
想象一下，以前需要耗费大量时间、精力和资金才能观察到的现象，现在只需要在网站上输入参数，然后点击一下，几分钟后就能生成极高清晰度和准确度的生物大分子模型。
甚至细胞系统内部的生化过程，现象，DNA如何发挥作用，药物和激素的反应如何进行，也全都能在极短时间内被完全理解。
这些遥遥领先的数据，和大家的热情好像都在说：这次发布已经不是跨越式进步了，而是革命性的突破，整个传统生物医疗的科研方式，似乎都要被彻底改变了。
不过世超觉得，乐观是好的，但是科学这个领域除了乐观的态度，还需要中肯和严谨的方法和思维。
在各路媒体和网友都在热议、讨论、赞叹的时候，圈内不少权威人士也发表了对AlphaFold 3的评价。
比如颜宁教授团队就发现，3.0 版本在一个糖蛋白预测中遇到了困难，表现甚至不如之前的版本。
也有不少科学家批评3.0版本相比2.0版本，它不再是开源的，并且使用次数也受到限制。
甚至，还有人质疑 DeepMind 的老板 Hassabis ，他自己就创立过一家 “ 专注人工智能的药物公司 ” ，号称要 “ 利用人工智能重新定义药物发现 ” ，但从 2021 年到今天，他们仍未推出任何药物。
当然这就有点在尬黑了，毕竟药物研发过程中，蛋白质结构问题只是其中一小部分，这并不能对药物研发进度产生决定性影响。
总之，世超觉得 AlphaFold 的第三代产品确实令人满意，但在生命科学的实践过程中，仍然存在一些需要克服的难题。不过说到底，进步总是好事，希望 DeepMind 能够继续努力，加快进展。
