Google AI · 其他
Google AI 发布 AlphaFold 3 技术报告
Google AI 发布了 AlphaFold 3 的技术报告，详细介绍了这一蛋白质结构预测模型的设计思路与实现细节。AlphaFold 3 在预测蛋白质与 DNA、RNA 及小分子配体的相互作用方面取得了显著进步，为药物发现和分子生物学研究提供了更强大的工具。报告公开了模型架构、训练方法和评估结果，有助于学术界和工业界深入理解并复现这一前沿成果。
- 域名
blog.google- 评分
- 5 · 重大发布
- 发布
- 2026-01-07
导读
这篇技术回顾由 Google AI 的 Keyword 记者 Chaim Gartenberg 在 2024 年 7 月撰写，邀请 DeepMind 研究科学家 Jonas Adler、研究工程师 Lindsay Willmore 与 Isomorphic Labs 的 Adrian Stecula 复盘 AlphaFold 3 的研发过程。文章从 AlphaFold 2 已被 200 万研究者使用、解决了 50 年悬而未决的蛋白质折叠问题讲起，指出生物学界的研究前沿早已超出单一蛋白质：小分子配体约占药物的一半，RNA、DNA 与蛋白质的结合方式才是当前论文真正关心的对象，团队因此必须让模型覆盖所有生物分子。
研发中遇到的核心挑战是分子空间扩张带来的组合爆炸。蛋白质只有 20 种标准氨基酸，规则相对有限；小分子则可以无限组合。团队没有去枚举全部组合，而是直接把所有数据塞进训练集，看模型能学到多远，并把生成结构的模块从 AlphaFold 2 的自定义几何模块换成扩散模型，与 Imagen 图像生成同源。新架构带来一个副作用：训练数据里缺少蛋白质的无序区域样本，扩散模型倾向于把这些本应像 spaghetti 一样松散的片段强行预测成有序螺旋。团队把 AlphaFold 2 对无序区域的判断结果当作蒸馏信号回灌给 AlphaFold 3，Jonas 把这个原则总结为"Trust the fusilli, reject the spaghetti"。配套的 AlphaFold Server 自 5 月上线以来已为研究者生成超过 100 万个结构。
对读者而言，这篇报告价值在于把 Nature 论文背后的工程取舍讲清楚：扩散生成如何替代几何模块、蒸馏怎样补回无序结构、训练数据如何从蛋白质扩到 RNA 与配体。Lindsay 把 AlphaFold Server 形容为"分子复合体的 Google Maps"，研究者粘贴序列、几分钟出结果，把过去依赖代码与算力的预测变成生物学家的桌面工具。