AlphaFold: 五年科學影響

AlphaFold 對生物學發現的影響

Google DeepMind 的 AlphaFold 透過解決蛋白質結構預測問題——這是生物學中一項歷時 50 年的重大挑戰——加速了生物學發現的步伐。透過以高準確度從胺基酸序列預測 3D 蛋白質結構，AlphaFold 將確定這些結構所需的時間從多年實驗工作縮短至幾分鐘的計算時間。

AlphaFold 蛋白質資料庫與全球採用

2021 年與 EMBL-EBI 合作推出的 AlphaFold 蛋白質資料庫，為研究社群提供了超過 2 億個蛋白質結構預測的免費存取。如此規模的資料若以實驗方式解決，將需要數億年。 主要採用指標包括：

• 使用者基礎： 超過 300 萬名研究人員分布於 190 多個國家。
• 可及性： 超過 100 萬名使用者位於低收入和中等收入國家。
• 研究重點： 超過 30% 的 AlphaFold 相關研究專注於理解疾病，以造福人類福祉。
• 學術影響： 該工具已被引用於超過 35,000 篇論文，且有超過 200,000 篇論文在其方法中納入 AlphaFold 2。

健康與保育的實際應用

心臟病研究

研究人員使用 AlphaFold 2 揭示了低密度脂蛋白（LDL，「壞膽固醇」）中心蛋白質 apolipoprotein B100（apoB100）複雜的籠狀結構。這個原子層級的藍圖對於設計預防動脈粥樣硬化的新型心臟療法至關重要。

授粉者保育

在歐洲，科學家們應用 AlphaFold 來理解 Vitellogenin（Vg），這是蜜蜂的一種關鍵免疫蛋白質。這些見解正在指導輔助人工智慧的育種計畫，以培育出更具韌性的蜜蜂族群。

農業韌性

在蘇黎世大學和 Sainsbury 實驗室，研究人員結合 AlphaFold 與比較基因組學，以了解植物如何感知環境變化，從而加速開發更具韌性的作物。

對科學方法論的量化影響

創新成長實驗室的獨立分析顯示，AlphaFold 2 從根本上改變了研究人員對結構生物學的處理方式：

• 實驗創新： 使用 AlphaFold 2 的研究人員在提交新穎實驗蛋白質結構方面增加了超過 40%。
• 探索： 新結構較可能與已知結構不相似，鼓勵探索未知的科學領域。
• 臨床與商業價值： 與 AlphaFold 2 相關的研究在臨床論文中被引用的可能性是典型結構生物學研究的兩倍，且在專利中被引用的可能性也顯著更高。

向數位生物學演進：AlphaFold 3 及以後

AlphaFold 3 的能力

AlphaFold 3 超越蛋白質，預測所有生命分子的結構與相互作用，包括：

• DNA 和 RNA
• 配體（構成多數藥物的小分子）
• 整個分子複合物的聯合 3D 結構 AlphaFold 伺服器已使非商業研究人員能夠執行超過 800 萬次折疊，以驗證新假設。

擴展 AI 生態系統

依照 AlphaFold 的範本，DeepMind 推出了其他專門模型：

• AlphaMissense： 用於評估導致疾病的基因突變。
• AlphaGenome： 專注於更好地理解基因組。
• AlphaProteo： 設計用於產生新穎且高強度的蛋白質結合劑，以針對與糖尿病和癌症相關的目標.