AlphaFold 3 是 Google DeepMind 和 Isomorphic Labs 開發的人工智慧模型的最新版本，代表著在預測所有生命分子的結構和相互作用方面的重大突破。
AlphaFold 3 可以生成蛋白質、DNA、RNA 和更小分子的三維結構，同時揭示它們是如何組合在一起的。 它還能模擬它們的化學變化，這些變化控制著細胞的健康運作，一旦受到破壞，就可能導致疾病。
AlphaFold 3 的主要功能包括：
- 預測生物分子複合物的 3D 結構，包括蛋白質、DNA、RNA、配體和離子。
- 幫助藥物發現：幫助瞭解小分子如何與藥物結合、結合強度如何，以及它可能與其他什麼結合。
- 模擬化學修飾和翻譯後變化對生物分子結構和功能的影響，這對於瞭解疾病和開發針對性治療至關重要。
- 實現最先進的準確性，在某些情況下，可以將以前預測重要分子介面的方法的精度提高一倍。
- 提供易於使用的線上工具 AlphaFold Server，使生物學家無需高階計算知識即可測試他們的假設。
研究人員表示，AlphaFold 3 將透過減少物理生產和測試生物設計的時間和成本來顯著加速藥物發現，這是生物技術的主要瓶頸。
somorphic Labs 是 Google DeepMind 的姊妹公司，已經在自己的藥物設計計劃以及與製藥公司的合作中使用 AlphaFold 3
總體而言，AlphaFold 3 代表了我們理解生命分子基礎的能力的革命性進步，並有可能為科學研究和治療開發開闢新途徑。
網友：
1、這是非常有前途的，這比大模型更重要。幾年前 Demis 釋出第一個 AlphaFold 時，他說這將帶來各種生物應用的瘋狂進步，並使研究人員的工作速度提高 10 倍。事實上，地球上的每個生物實驗室都在使用它，但是生物和藥物研究以及臨床試驗需要數年時間。
2、AlphaFold 的使用人數已超過 100 萬人。它正在加速科學發展，你只需要等待更長的時間就能看到它。
3、AlphaFold 參與了最近的幾項醫學突破和進步：
- 加速被忽視疾病的藥物發現：被忽視疾病藥物倡議 (DNDi) 正在使用 AlphaFold 幫助確定針對恰加斯病和利什曼病等疾病的新候選藥物，這些疾病對發展中國家的影響尤為嚴重。
- 對抗抗生素耐藥性：科羅拉多大學博爾德分校的研究人員使用 AlphaFold 研究與抗生素耐藥性相關的蛋白質，幫助他們在 30 分鐘內識別出一種細菌蛋白質結構，而此前他們已經躲避了 10 年。
- 瞭解輪狀病毒毒株：AlphaFold 使研究人員能夠識別 B 組輪狀病毒中的新蛋白質摺疊，這可能解釋了為什麼該毒株比其他主要影響兒童的毒株更容易感染成人。
- 探索帕金森病的神經保護因素：一個國際團隊使用 AlphaFold 模擬 STIP1 蛋白質的結構，並研究其作為帕金森病神經保護劑的潛在作用。 [3]
- 揭示 SARS-CoV-2 蛋白細節：加州大學舊金山分校的研究人員使用 AlphaFold 揭示了一種關鍵 SARS-CoV-2 蛋白先前未知的結構細節，推動了 COVID-19 療法的開發。
4、隨著時間的推移，研究人員每年可以發現數百萬種新藥，但只有少數獲得足夠的投資來獲得批准，而且投入生產的新藥也更少。從開始研究到交付產品大約需要 10 年的時間。迄今為止已有大約十年曆史的、改變世界的醫學發現也是如此。
5、CRISPR本身存在很多問題，比如安全問題，它會導致DNA斷裂，並可能導致腫瘤。而我們目前還沒有一種理想的方法將CRISPR匯入人體，目前的解決方案都存在很多問題，比如AAV，它具有免疫原性，而且一生只能使用一次。
那時的CRISPR有點像2012年的深度學習，深度學習當年引起轟動，但距離發展已經有十年了。更不用說生物學本身的發展就非常緩慢。
6、這是從預測蛋白質摺疊到預測整個分子的升級。例如，它可以預測蛋白質與 DNA、RNA 和離子結合的精確程度。
7、難道這不值得諾貝爾獎嗎？我們還要等多久才能為人工智慧代理頒發諾貝爾獎？
8、對於人類來說，AlphaFold 3 的意義遠遠超過任何大模型，因為它提供了長壽甚至永生的真正希望。
9、AlphaFold 3 的釋出是一件大事，因為它是一種超級智慧人工智慧，可以預測生命的微小構建模組（如蛋白質）如何摺疊和相互作用。這有助於科學家更好地瞭解疾病並更快地找到新藥物。另外，它可供研究人員免費使用，這對於加快發現速度非常有用。
小結
AlphaFold-3已經發布，這是生物學AI最大突破的最新版本。
- AlphaFold-3使用擴散來“渲染”分子結構。
- 它從模糊的原子雲開始，然後透過去噪逐漸實現分子。
我們生活在一個時間軸上，從Llama和Sora那裡學到的知識可以為生命科學提供資訊和加速生命科學的發展。
這種普遍性的程度絕對令人難以置信。
同樣的Transformer+diffusion架構可以生成漂亮的畫素，也可以想象蛋白質，只要你相應地將資料轉換為浮點序列。
雖然，我們還沒有建立一個單一的AGI模型，但我們已經成功地建立了一個通用AI食譜選單，可以跨領域傳輸訓練、資料和神經架構。