谷歌 DeepMind 和同构实验室的工作人员推出了 AlphaFold 3，它是 AlphaFold 2 的继任者，它采用了一种新的基于扩散的架构，不仅可以准确地预测、折叠和模拟蛋白质的结构，还可以预测包括蛋白质、核酸、DNA 和 RNA、小分子、离子和修饰残基在内的复合物的结构。

扩散在生成式人工智能热潮中越来越受欢迎，其中文本到图像生成人工智能采用了一种类似的技术，即模型迭代地从噪声（超像素化的混乱，而不是声音）中预测/生成图像。

DeepMind 首席执行官 Demis Hassabis 认识到 AlphaFold 2 对单个蛋白质结构生物学的影响，从而开启了各种令人惊叹的研究。AlphaFold 3 的目标是现在了解不同分子和蛋白质之间相互作用的生物学和结构生物学的动态性质。

AlphaFold 3 不仅可以预测蛋白质之间的相互作用，还可以预测蛋白质如何与其他生物分子相互作用。这不仅包括蛋白质如何与 DNA 相互作用，还包括蛋白质如何潜在地与癌症细胞相互作用。

除了新的 AlphaFold 3 型号的首次亮相外，还有 AlphaFold 服务器，这是一个用户友好的工具，允许非商业研究人员通过门户使用 AlphaFold 3。只需点击几下，生物学家就可以生成以前难以快速准确预测的大型复杂蛋白质结构。

基于扩散的深度学习架构：与其前身 AlphaFold 2 不同，AlphaFold 3 采用了基于扩散的架构，直接对原子坐标的生成进行建模。这种生成方法允许对不同类型的生物分子相互作用进行高度精确的建模，而不需要对不同的分子成分进行过度的专门化。

然而，扩散模型存在产生“幻觉”的可能性，其中模型产生看似合理的结构，但实际上并不代表真实的分子。AlphaFold 3 使用 AlphaFold multimer v2 的预测实现了交叉蒸馏算法。通过回忆过去的模型，AlphaFold 3 可以预测更准确、更可靠的一代。

目前，AlphaFold 3 源代码在 GitHub 存储库中不可用，只能通过 AlphaFold 服务器访问。AlphaFold v2.3 是 AlphaFold GitHub 上开源下载的最新更新，虽然官方没有向公众发布 AlphaFold 3 的计划，但谷歌 DeepMind 研究副总裁 Pushmeet Kohli 在推特上写道：

虽然你不能在自己的机器上运行 AlphaFold 3，但 AlphaFold 2 仍然可用，是任何生命科学研究实验室的必备品。在这里查看他们的 Github。在自己的硬件上运行 AlphaFold 2 很简单，添加 GPU 可以比在 Colab 上运行更快地加速结果。

如果您对如何配置预装有仿真套件、AlphaFold 或 Cryo-EM 软件的系统有任何疑问，请联系我们。

 

高效散热，绿色节能，新一代液冷服务器—G2232 G2V2L