今年10月份，Demis Hassabis和John M. Jumper因在该人工智能工具方面的研究获得了2024年诺贝尔化学奖。值得一提的是，在5月AlphaFold3发布之初，曾因未开放底层代码而广受争议。科学家们认为，此举破坏了研发的可重复性。

如今，DeepMind宣布，科学家现在可以免费下载软件代码。文末将附上开源地址。

（图源：https://github.com/google-deepmind/alphafold3）

开源至关重要

AlphaFold3与其前身不同，它能够与其他分子协同建模蛋白质。但DeepMind并没有像 AlphaFold2那样同时发布其底层代码，而是通过网络服务器提供访问权限，限制科学家可以做出的预测数量和类型。

至关重要的是，最初AlphaFold3服务器禁止科学家预测蛋白质在潜在药物存在下的探索行为。但现在，DeepMind决定发布代码，这意味着学术科学家可以通过自己运行模型来预测此类相互作用。

那时，DeepMind表示，仅通过网络服务器提供AlphaFold3在实现研究访问权限和保护商业野心之间取得了适当的平衡。且DeepMind衍生公司Isomorphic Labs正在将AlphaFold3应用于药物研发。

但AlphaFold3的发布没有代码或模型权重（通过对蛋白质结构和其他数据进行软件训练获得的参数），引起了科学家的批评，他们表示此举破坏了可重复性。DeepMind迅速改变了方针，并表示将在半年内推出该工具的开源版本。

现在任何人都可以下载AlphaFold3软件代码并将其用于非商业用途。但目前获取此模型需填写表单进行申请，经DeepMind审核通过后即可得到应用权。

AlphaFold3在医学领域的前景和挑战

AlphaFold3对药物发现和开发的影响将是巨大的。公开资料显示，谷歌AlphaFold模型可用于预测蛋白质结构和相互作用。而最新版本AlphaFold3在蛋白质预测能力之上，还增加了预测DNA、RNA、小分子等几乎所有生物分子结构和相互作用的能力，直接推动了药物发现和疾病治疗。

虽然商业原因目前限制了药物应用，但此次发布所推动的学术研究，将促进科学家对疾病机制和药物相互作用的理解。该系统在预测抗体-抗原相互作用方面的准确性提高可以加速治疗性抗体的开发，这是药物研究中日益重要的领域。

当然，挑战依然存在。该系统有时会在无序区域产生不正确的结构，并且只能预测静态结构而不是分子运动。这些限制表明，虽然像AlphaFold3这样的人工智能工具推动了该领域的发展，但它们与传统实验方法配合使用效果最好。

AlphaFold3的发布代表了人工智能科学向前迈出的重要一步。它的影响将超越药物发现和分子生物学。随着研究人员将此工具应用于从设计酶到开发抗性作物，我们将看到计算生物学的新应用。

AlphaFold3的真正考验在于，它对科学发现和人类健康的实际影响。随着世界各地的研究人员开始使用这一强大的工具，我们可能会看到科学家在理解和治疗疾病方面比以往更快地取得进展。

开源地址：https://github.com/google-deepmind/alphafold3

新闻来源：ScienceAI