最近，Google DeepMind的创始人，诺贝尔奖获得者Demis Hassabis在接受60分钟的采访中提到，DeepMind的蛋白质预成型Alphafold可能会在短短一年内吸引超过2亿个图表结构。这是一个非常了不起而具体的发展！由于没有AI，人们花了很多年才绘制每个结构图。这意味着药物的设计周期从几年到几个月甚至几周都短！蛋白质是所有生物的基础，由长链氨基酸组成，每种具有独特而复杂的三维结构。这些结构来自物理化学原理和折叠肽折叠的最低自由水平，因此折叠蛋白的检查是生物学结构中最重要的一种。在1960年代初，剑桥大学的两名生物学家，马克斯·佩鲁茨（Max Perutz）和约翰·肯德鲁伴随血红蛋白和肌红蛋白结构。该实验持续了二十年，以赢得了诺贝尔奖。溶液状态的蛋白质结构也可以通过核磁共振来评估。该溶液可以描述与晶体结构相比，细胞中生物大分子的真实结构。但是，有时很难获得稳定的信号，因为蛋白质结构在溶液中不稳定。因此，计算机建模或其他方法通常用于改善结构评估过程。通过核磁共振占10％的蛋白质数据库（PDB）评估的生物大分子结构。这些技术是复杂，及时且昂贵的。仅解析其中一种结构可能需要花费大量时间和金钱，而Parse通常不是其自然形式的结构。在这些有限因素的影响下，解决三级结构的蛋白质数量是与大量已知蛋白质辅助的人数相比，有200,988个PDB条目，科学家必须开发更多用于预测蛋白质结构的新方法。自1990年代以来，一些生物学家一直试图将神经科学网络应用于蛋白质科学，但是表面网络和广泛数据的局限性使它们无法前进。随着计算机的发展，科学家已经了解到建立神经网络是否更好，以便可以牢固地训练更多的神经元，从而导致更多的预测蛋白质结构的机会。 2018年，DeepMind推出了第一个版本的Alphafold，使用深层研究来预测蛋白质结构，以训练蛋白遵循蛋白质的神经网络对特定蛋白质的潜在研究。它包含一个由PDB结构训练的卷积神经网络，可根据靶蛋白的氨基酸的消耗来预测蛋白质结构本身。 2020年，Alphafold 2 P的释放由于两个神经网络模块 - 探测器和结构模块，ROD在蛋白质结构的预测中取得了突破。 Oformer提取物的evang从SA MSA和模板中汲取信息，将信息交换给整个网络，然后更改模板假设的蛋白质结构，以便MSA和模板在右边的“间隙空间”中。 Alphafold 2基于蛋白质，物理和几何屏障的结构的演变结合了神经网络小说和训练程序的结构，并将能够以几分钟的奇迹来预测蛋白质结构。根据统计数据，Alphafold 2预测了2亿个蛋白质结构，涵盖了几乎所有基于蛋白质的蛋白质的数据库。 “完成任务花了我们数月甚至数年的时间，而Alphafold仅在短短一周内完成，”酶工程创新中心前主任John McGeehan说。去年五月，Alphafold 3已发布。同年10月，皇家瑞典科学院宣布，它将授予2024年诺贝尔化学奖的Demis Hassabis，他荣幸地解决了他的团队解决一个50年历史的难题：预测蛋白质的复杂结构。基于Alphafold 2，Alphafold 3具有新一代的建筑和培训方法，涵盖了所有生物分子。它不仅可以预测蛋白质的结构，而且还可以预测几乎所有活生物分子的结构，包括蛋白质，DNA，RNA，配体等，以用于蛋白质与其他分子类型之间的相互作用。与最好的传统方法相比，Alphafold 3具有50％的准确性提高。在Alphafold 3的中间，是DeepMind Evofer模块的增强版本。输入处理后，Alphafold 3使用类似于AI图像发生器的传播网络的传播网络来结合预言的结果。扩散过程开始于原子云和最终通过许多步骤转换为最准确的分子结构。通过这种结构，Alphafold 3能够破解细胞中最大结构之一的核孔复合物之一的精细结构。作为细胞核细胞的守门人，该复合物控制了遗传DNA材料的入口和退出，并且与癌症，积累和神经退行性疾病密切相关。现在，人们第一次在原子层看到了它的真实外观。 Alphafold 3可以通过猜测在药物中常用的分子（例如配体和抗体）具有药物设计能力，可以结合原子中的分子以改变它们与人类疾病相互作用的方式。通过将Alphafold纳入基于物理原理的软件中，药物研究人员已经能够准确模仿这些接触。预计该技术将帮助科学家设计以前所未有的精度靶向受体的分子。 Google DeePMIND还启动了Alphafold服务器，该工具可以预测蛋白质如何与细胞中其他分子相互作用。这是一个免费的平台，它使生物学家可以利用Alphafold 3，其中仅剪切了一些强大的建模结构操作，这些结构由蛋白质，DNA，RNA和一组配体，离子和化学变化组成。 Alphafold Server肿瘤学的Samuel Hume，Alphafold Server的肿瘤学博士学位说，他可以在五分钟内帮助他制作蛋白质结构的Funa，以完成整个博士学位。但是，根据自然界的说法，Alphafold也面临数据缺陷问题。可用的公共蛋白质数据库（例如PDB）是与ATP等生物分子相互作用的基本数据，而不是药物。缺乏药物数据限制了Alphafold有效模仿药物蛋白接触的能力。为了应对这一限制，一些制药公司宣布，他们将根据Alphafold 3创建自己的AI模型版本。Ohnson和Abbvie计划使用自己的繁殖数据，其中包含结合不同药物的蛋白质结构。这些数据没有与外部资源共享，制药公司创建的模型也可以访问它们。 Google的毒品持有公司Insomorphic Labs将Alphafold 3与AI的内部模型辅助系列结合在一起，并专注于内部项目和药品合作伙伴的药物设计。同构实验室使用Alphafold 3来加快药物设计的成功，以了解如何解决新的目标疾病并开发新的方法来探索以前未引起注意的现有目标。尽管这些私人数据可以带来潜在的改进，但仍未知是否会改善AlphaFold 3的性能。但是，Alphafold 3在高意义上带来了生物学世界，使科学家可以看到细胞系统的全部复杂性，包括结构，接触和变化。 Saidedemis Hassabis说，深态将继续o促进人工智能为药物研发提供解决方案，缩短研究和药物开发的时间和成本。提到的信息：https：//www.youtube.com/watch？ g.google/technology/ai/google-seepmind-isomorphic-lphapafold-3-ih-dodeel/#life-moleculeshttps://wwwww.theguardian.com/commentisfree // //www.frontiersin.org/journals/bioinformatics/articles/10.3389/fbinf.2023.1120370/fullhttps：//m.m.m.medsci.cn/article/show_article.article.do？ ID = 16D65269677