編輯 | ScienceAI
AlphaFold3 終於開源了。
六個月前 AlphaFold3 釋出的時候，谷歌 DeepMind 沒有公佈其論文程式碼，因此引發了學界的巨大爭議。
如今，DeepMind 於 11 月 11 日宣佈，科學家現在可以免費下載軟體程式碼，並將 AlphaFold3 用於非商業應用。
開源地址：https://github.com/google-deepmind/alphafold3
「我們非常興奮地看到人們用這個技術能做些什麼。」DeepMind AlphaFold 團隊負責人 John Jumper 說道。
10 月份，Jumper 與 Demis Hassabis 因在該人工智慧工具方面的研究獲得了 2024 年諾貝爾化學獎。
網友紛紛表示令人難以置信，迫不及待地想看看這將會對生命科學產生什麼影響。
最初沒開源被批評了
AlphaFold3 與其前身不同，它能夠與其他分子協同建模蛋白質。但 DeepMind 並沒有像 AlphaFold2 那樣同時釋出其底層程式碼，而是透過網路伺服器提供訪問許可權，限制科學家可以做出的預測數量和型別。
至關重要的是，最初 AlphaFold3 伺服器禁止科學家預測蛋白質在潛在藥物存在下的探索行為。但現在，DeepMind 決定釋出程式碼，這意味著學術科學家可以透過自己執行模型來預測此類相互作用。
那時 DeepMind 表示，僅透過網路伺服器提供 AlphaFold3 在實現研究訪問許可權和保護商業野心之間取得了適當的平衡。那時，DeepMind 衍生公司 Isomorphic Labs 正在將 AlphaFold3 應用於藥物研發。
但 AlphaFold3 的釋出沒有程式碼或模型權重（透過對蛋白質結構和其他資料進行軟體訓練獲得的引數），引起了科學家的批評，他們表示此舉破壞了可重複性。DeepMind 迅速改變了方針，並表示將在半年內推出該工具的開源版本。
現在任何人都可以下載 AlphaFold3 軟體程式碼並將其用於非商業用途。但目前只有具有學術背景的科學家可以根據要求訪問訓練權重。
AlphaFold3 在醫學領域的前景和挑戰
AlphaFold3 對藥物發現和開發的影響將是巨大的。雖然商業原因目前限制了藥物應用，但此次釋出所推動的學術研究，將促進科學家對疾病機制和藥物相互作用的理解。該系統在預測抗體-抗原相互作用方面的準確性提高可以加速治療性抗體的開發，這是藥物研究中日益重要的領域。
當然，挑戰依然存在。該系統有時會在無序區域產生不正確的結構，並且只能預測靜態結構而不是分子運動。這些限制表明，雖然像 AlphaFold3 這樣的人工智慧工具推動了該領域的發展，但它們與傳統實驗方法配合使用效果最好。
AlphaFold3 的釋出代表了人工智慧科學向前邁出的重要一步。它的影響將超越藥物發現和分子生物學。隨著研究人員將此工具應用於從設計酶到開發抗性作物，我們將看到計算生物學的新應用。
AlphaFold3 的真正考驗在於，它對科學發現和人類健康的實際影響。隨著世界各地的研究人員開始使用這一強大的工具，我們可能會看到科學家在理解和治療疾病方面比以往更快地取得進展。
第三方「開源版本」
DeepMind 面臨競爭：過去幾個月，多家公司推出了基於 AlphaFold3 的開源蛋白質結構預測工具，這些工具依賴於原始論文中描述的規範（即虛擬碼）。
百度和位元組跳動分別推出了自己的 AlphaFold3 啟發模型，加州舊金山的一家名為 Chai Discovery 的初創公司也推出了類似的模型。
紐約市哥倫比亞大學的計算生物學家 Mohammed AlQuraishi 表示，這些模型的一個關鍵限制是，與 AlphaFold3 一樣，沒有一個模型獲得藥物發現等商業應用許可。不過，Chai Discovery 的聯合創始人 Jack Dent 表示，Chai-1 模型可以透過網路伺服器用於此類工作。
另一家公司，總部位於舊金山的 Ligo Biosciences，已經發布了無限制版的 AlphaFold3。但它不具備完整功能，沒有模擬藥物和蛋白質以外的分子的能力。
許多團隊都在開發沒有這些限制的 AlphaFold3 版本，比如，AlQuraishi 希望在 2024 年年底前推出一個名為 OpenFold3 的完全開源模型。這將使製藥公司能夠使用專有資料（例如與不同藥物結合的蛋白質結構）重新訓練自己的模型版本，從而有可能提高效能。
開源至關重要
2023 年，各家公司以不同的方式開放了一系列新的生物 AI 模型。威斯康星大學麥迪遜分校的計算生物學家 Anthony Gitter 並不反對營利性公司加入該領域——只要他們在期刊和預印本伺服器上分享他們的工作時，遵守與其他科學家相同的規則。
如果 DeepMind 在科學出版物中對 AlphaFold3 提出主張，「我和其他人希望他們也能分享有關如何做出預測的資訊，並以我們可以檢查的方式釋出 AI 模型和程式碼。」Gitter 補充道，「我的團隊不會在我們無法檢查的工具上進行構建和使用。」
DeepMind 科學人工智慧主管 Pushmeet Kohli 表示，已經出現了多個 AlphaFold3 複製品，這表明即使沒有開原始碼，該模型也是可複製的。他補充說，未來他希望看到更多關於學術和企業研究人員日益增多的領域的出版規範的討論。
AlphaFold2 的開源特性引發了其他科學家的大量創新。例如，最近一次蛋白質設計大賽的獲勝者使用人工智慧工具設計了能夠結合癌症靶標的新蛋白質。Jumper 最喜歡的 AlphaFold2 破解工具來自一個團隊，該團隊使用該工具識別了一種幫助精子附著在卵細胞上的關鍵蛋白質。
在分享了 AlphaFold3 之後，Jumper 迫不及待地想看到這樣的驚喜出現——即使它們並不總是有成果。「人們會以奇怪的方式使用它。」他預測道，「也許會失敗，也許會成功。」
結論
DeepMind 釋出的 AlphaFold3 將結構生物學領域帶入了新領域。DeepMind 為跨學科研究人員開啟了大門，使其能夠利用尖端技術，而無需昂貴的基礎設施要求。AlphaFold3 在結
影片：2024 年 8 月份 Demis Hassabis 的採訪。（來源：DeepMind）
相關內容：
https://www.nature.com/articles/d41586-024-03708-4
https://x.com/Nature/status/1855979598070034605
https://venturebeat.com/ai/google-deepmind-open-sources-alphafold-3-ushering-in-a-new-era-for-drug-discovery-and-molecular-biology/
https://www.maginative.com/article/google-deepmind-makes-alphafold-3-open-source-for-academia/
https://www.marktechpost.com/2024/11/11/deepmind-released-alphafold-3-inference-codebase-model-weights-and-an-on-demand-server/