DeepMind · 大模型
DeepMind 实现蛋白质组规模的高精度蛋白质结构预测
DeepMind 于 3 月 18 日发布一项关键进展，将高精度蛋白质结构预测的能力从单体扩展到整个蛋白质组尺度。这意味着 AlphaFold 框架经过优化后，能够以前所未有的效率和准确性预测数百万种蛋白质的折叠模式，为药物设计、生物机制研究提供全新基础设施。该成果大幅降低了大规模结构预测的计算成本，有望加速基因组学与蛋白质组学的交叉应用。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-18
导读
DeepMind 在 Nature 同期论文中发布 AlphaFold 的方法细节并把蛋白质结构预测推到整个蛋白质组的尺度。模型由两个阶段构成。第一阶段输入氨基酸序列与多序列比对，学习一份残基对之间的成对表征，刻画哪些残基在 3D 空间上靠近。第二阶段把残基作为独立对象，预测旋转与平移以放置每个残基，最终组装成完整链条。架构融入对蛋白质物理与几何的先验，并能在中间层产出 3D 结构，演示中 CASP14 目标如 T1044、T1024、T1064 的预测轨迹显示模型在前几层快速形成假设、随后逐层精修。
CASP14 评估中 AlphaFold 在多数案例上取得 RMSD-Cα 平均 95% 残基低于 1Å 的精度。模型配套两项置信度度量。pLDDT 给出每个残基的局部置信度，范围 0 到 100，可在同一条链上区分结构良好的结构域与连接区，低于 50 的区域可能对应内禀无序或仅在复合体中成形。PAE 是预测对齐误差，刻画在以某一残基对齐时另一残基的位置误差，用于判断结构域间相对位置是否可信。开源版基于 JAX 框架，在 V100 上预测 400 残基的蛋白质只需约一分钟 GPU 时间。
规模扩展是这项工作的另一关键面向。DeepMind 与 EMBL-EBI 合作建立 AlphaFold DB，把人类参考蛋白质组以及多种模式生物、病原体、经济作物的预测结构以 CC-BY-4.0 协议公开，单条预测最长覆盖 2700 个氨基酸的完整链。研究者还观察到 pLDDT 分布因物种而异，细菌与古菌总体置信度较高，真核生物较低，可能与其蛋白质组中无序区比例有关。未来规划包括扩展到 UniRef90 的 1 亿条以上序列，并向复合物结构、非蛋白组分、动力学与点突变响应等方向推进。