2024年11月11日，谷歌DeepMind团队发布了Alphafold-3的模型代码和权重供学术用途，全球顶级科学期刊《Nature》也进行了重磅推荐，这将对全球科研领域产生重大影响，生物、化学、医药的科学家们可以在本地部署AlphaFold-3，可以极限缩短新药、疫苗等研发进程。
谷歌DeepMind联合创始人兼首席执行官Demis Hassabis能拿下诺贝尔化学奖，靠的就是AlphaFold-3，这足以看出AlphaFold-3的含金量。
AlphaFold-3的主要功能包括，能够对多种生物分子的结构进行预测，涵盖蛋白质、核酸（包括DNA和RNA）、小分子、离子以及修饰残基等几乎所有在蛋白质数据库（PDB）中存在的分子类型。
1、蛋白质结构预测
AlphaFold-3在预测蛋白质单体结构时，能够准确地确定蛋白质的三维折叠方式，包括二级结构α-螺旋、β-折叠等精确位置和走向，以及三级结构中各个结构域的相对位置和取向。
2、处理复杂结构
AlphaFold-3能够应对具有大量残基和多种分子组成的生物分子复合物。例如，在预测由数千个残基组成的蛋白质-核酸复合物结构时，它可以有效地整合蛋白质和核酸分子的信息，准确地构建出整个复合物的三维结构模型。同时对于具有高度对称性或重复结构单元的复合物，如核小体等，AlphaFold-3也能够准确地捕捉到其结构特征，包括组蛋白与DNA的相互作用、核小体之间的排列方式等。
3、药物研发
AlphaFold-3可以帮助研究人员快速筛选潜在的药物靶点，通过预测靶点蛋白的结构，揭示其可能的活性位点和结合口袋，为药物设计提供重要的结构基础。
4、药物分子设计
AlphaFold-3能够预测药物分子与靶点蛋白的结合模式，评估药物分子的亲和力和特异性，从而指导药物化学家进行分子优化，提高药物的疗效和安全性。同时可以对药物分子与靶点蛋白复合物结构的准确预测，帮助研究人员理解药物作用机制，预测药物的副作用和耐药性机制，为药物研发的各个阶段提供关键的结构信息支持。
5、模型架构
AlphaFold-3在AlphaFold 2的基础之上进行了重大更新。尤其是引入了Pairformer模块替代原有的Evoformer模块，AlphaFold 3显著减少了多重序列比对（MSA）的处理量，使得模型能够更加专注于学习分子间相互作用的关键特征。这一变化不仅提高了计算效率，更重要的是，它赋予了模型更强的泛化能力，使得AlphaFold 3能够在处理各类生物分子时都能保持高水平的准确性。
6、引入扩散模块
AlphaFold-3通过引入扩散模块，直接预测原子坐标的创新设计，进一步增强了模型的功能。AlphaFold-3的扩散模块直接操作于原子坐标层面，采用了一种更加直观且物理上更为合理的建模方式。这种方法不仅简化了模型架构，避免了对复杂规则的依赖，还使得AlphaFold 3能够无缝处理各种类型的生物分子，无论是蛋白质、DNA、RNA还是小分子配体，都能提供精准的结构预测结果。
7、采用跨蒸馏技术
AlphaFold-3能够利用由AlphaFold-Multimer v.2.3等高性能模型生成的大规模伪标签数据进行训练。这种策略不仅解决了高质量训练数据不足的问题，还进一步提升了模型的鲁棒性和泛化能力。经过这样的训练流程后，AlphaFold 3不仅在标准测试集上表现出色，还能很好地应对那些罕见或复杂的生物分子复合体结构预测任务，显示出其强大的适应性和可靠性。
据实验结果显示，AlphaFold 3不仅在标准测试集上表现出色，还能很好地应对那些罕见或复杂的生物分子复合体结构预测任务，显示出其强大的适应性和可靠性。
