超全拆解AlphaFold 3，上海交大钟博子韬：极致利用数据，以原子精度预测所有生物分子结构，但并不完美
输入“/”快速插入内容
超全拆解AlphaFold 3，上海交大钟博子韬：极致利用数据，以原子精度预测所有生物分子结构，但并不完美
超全拆解AlphaFold 3，上海交大钟博子韬：极致利用数据，以原子精度预测所有生物分子结构，但并不完美
2024年9月4日修改
能够以「原子精度」预测出所有生物分子结构和相互作用的 AlphaFold 3，一经面世便引起了业界的广泛讨论。8 月 13 日，在上海交通大学 AI for Bioengineering 暑期学校活动中，钟博子韬博士以「AlphaFold 3：原理，应用与展望」为题，系统性地梳理了他的学习心得，并广泛整理了来自科研界的众多相关研究成果，向大家分享了他对于 AlphaFold 3 的深刻洞察，HyperAI超神经在不违原意的前提下，整理了演讲的核心内容，以下为演讲实录。
钟博子韬博士分享现场
聚焦蛋白质结构预测，今天我们来谈谈 AlphaFold 3，作为当前顶尖的蛋白质、乃至更广泛的生物分子结构预测工具，AlphaFold 3 的地位已不言而喻。
蛋白质合成始于 DNA 转录，后将遗传信息传递给 RNA，再翻译成蛋白质，进一步折叠成二级结构、三级结构、四级结构。大多数蛋白质会折叠成独特的构象，而结构所需的信息都编码在氨基酸序列中，也就是我们常说的：序列决定结构，结构决定功能，蛋白质结构预测对于了解生物功能至关重要。
AlphaFold 3 突破：革新模型架构，提高数据利用率
对比 AlphaFold 3 与 AlphaFold 2 模型架构
过去，AlphaFold 2 在蛋白质结构预测方面直接「血虐」其他算法。其核心架构可归结为 3 个关键部分，如下图所示：第一部分，蓝色框内的 MSA & Template 模块，其功能在于搜集并整合多序列比对 (MSA) 及模版结构信息作为模型的输入数据。第二部分，绿色框内的 Evoformer 模块，其功能在于理解多序列组织中的共进化信息，通过提炼并处理收集到的信息，将其传递给第三部分紫色框内的 Structure Module 模块。
以深度学习视角来看，Evoformer 扮演了编码器的角色，而 Structure Module 则相当于解码器，从这方面来说，AlphaFold 2 之所以备受赞誉，很大程度上归功于其端到端的优化能力，即直接从序列输入映射到结构输出。
外界普遍认为 AlphaFold 3 的模型架构变化并没有想象中那么大，其模型框架也是由 3 个关键部分组成，每部分和 AlphaFold 2 的对比如下：
第一部分：保持高度相似
如下图所示，比较 AlphaFold 3 和 AlphaFold 2 的架构图可得，AlphaFold 3 的第一部分（蓝色框内）依然包括 MSA & Template，并额外引入了Conformer generation（构象生成）环节。