2024年5月8日，谷歌Deep Mind的John M. Jumper通讯在Nature发表题为Accurate structure prediction of biomolecular interactions with AlphaFold 3的文章，推出了AlphaFold 3（AF3），能够超高精度预测各种生物分子复合物的结构。这一成就代表着我们理解和操纵控制生物系统的复杂相互作用的能力的重大飞跃。
在其前身AlphaFold 2的成功基础上，新模型引入了实质性的架构和训练程序增强，以适应更广泛的化学结构，并提高数据效率。AF3的核心是一种基于扩散的方法，该方法直接预测原始原子坐标，无需专门处理键合模式和立体化学约束。AF3的真正威力在于其在不同生物分子相互作用中的卓越准确性。值得注意的是，AF3在预测蛋白质配体、蛋白质核酸和抗体抗原相互作用方面优于专业工具，甚至超过了最先进的对接方法。这种准确性延伸到涉及蛋白质、核酸、小分子、离子和修饰残基的复杂结构。
AF3的关键优势之一是其准确模拟共价修饰的能力，如键合配体、糖基化以及修饰的蛋白质和核酸残基。这种能力对于理解生物学过程背后复杂的分子机制和开发有针对性的治疗干预措施至关重要。研究人员使用最近的接口特定基准（interface-specific benchmark）仔细评估了AF3的性能，证明其优于已知最先进的方法。此外，该模型的置信度测量密切跟踪其准确性，为研究人员提供了一个可靠的预测可靠性指标。
虽然AF3代表着向前迈出的一大步，但研究人员承认存在某些局限性。其中包括偶尔的立体化学侵犯（stereochemical violation），如手性误差和原子碰撞，以及准确预测动力学行为和构象状态的挑战。此外，对某些目标的高度准确的预测可能需要生成多个预测并对其进行排序，从而产生额外的计算成本。
尽管存在这些局限性，但AlphaFold 3的开发是生物分子结构预测领域的一项变革性成就。通过在统一的深度学习框架内对广泛的生物分子相互作用进行准确建模，AF3有望加速我们对细胞调节的理解，并为合理的治疗设计铺平道路。随着计算和实验方法继续并行发展，这些方法之间的协同作用无疑将推动我们进入一个前所未有的结构见解时代，开启生物学理解和治疗发展的新前沿。
