DeepMind · 其他
DeepMind 发布 AlphaFold 用于科学发现
DeepMind 发布了 AlphaFold 的最新应用成果，展示了 AI 在科学发现领域的潜力。AlphaFold 通过预测蛋白质结构，加速了生物学研究和药物开发进程。此次更新进一步拓展了其应用范围，为科学家提供了更强大的工具来理解生命机制。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-03
导读
这篇 DeepMind 博客发表于 2022 年 1 月 15 日，作者为 Andrew Senior、John Jumper 与 Demis Hassabis，记录 AlphaFold 第一阶段工作。文章开门见山地把 AlphaFold 定位为 DeepMind"AI 加速科学发现"的首个里程碑，目标是仅凭基因序列预测蛋白质三维结构。彼时蛋白质折叠问题已悬置数十年，Levinthal 悖论指出：穷举一个典型蛋白的所有构象比宇宙年龄还长，但蛋白本身却能在毫秒内自发折叠。AlphaFold 在 CASP 评测中获得第一，被组织者形容为"计算方法预测蛋白质结构能力的空前进展"。
方法上，AlphaFold 由两个深度神经网络支撑：一个预测序列中每对氨基酸残基之间的距离分布，另一个预测连接它们的化学键角度，二者协同给出可微的结构打分。再用两条路径搜索匹配的三维构象：第一条沿用结构生物学传统，反复用生成式神经网络发明的新片段替换候选结构的局部，逐步抬升打分；第二条直接在整条蛋白链上做梯度下降，省去"先折叠局部、再拼装整体"的繁琐流程。两条路径都依赖基因组学领域近年急剧增长的序列数据，正是测序成本下降为深度学习方法准备了原料。
对生物学与制药读者而言，文章的现实落点涵盖理解疾病机制、加速药物设计、辅助蛋白质工程几个方向。冷电镜、核磁、X 射线晶体学等实验手段每解一个结构往往耗时数年、花费数万美元，AlphaFold 把这条曲线压到可用的量级。文章末尾把这一进展与 AlphaGo、AlphaZero 在博弈领域的突破并置，提出一种更大野心：让机器学习系统整合多元信息，与科学家共同求解开放式问题。半年后 AlphaFold 数据库扩展到 2 亿条结构、覆盖几乎所有已知蛋白质，正是这条路线的延续。