從 AlphaFold 的局限性出發，深度分享端到端大模型之外的可能

原標題：南開大學鄭偉教授：AlphaFold并不完美，學術界尚有「彎道超車」的機會
文章來源：HyperAI超神經
內容字數：11478字

AlphaFold并非完美：學術界在蛋白質結構預測領域的突破

本文總結了南開大學鄭偉教授在“Meet AI4S”系列直播第六期中關于蛋白質結構預測的演講內容。演講指出，盡管AlphaFold2和AlphaFold3在蛋白質結構預測領域取得了突破性進展，并使DeepMind的Demis Hassabis和John M. Jumper獲得了2024年諾貝爾化學獎，但AlphaFold仍存在諸多局限性，為學術界提供了進一步研究和改進的空間。

1. AlphaFold的局限性

AlphaFold2和AlphaFold3雖然精度高，但在多域蛋白質、蛋白質復合物、核酸結構以及蛋白質動態/構象變化預測等方面仍有待提升。其預測精度也低于官方報道的90%。這些局限性為學術界提供了大量的研究課題。

2. 超越AlphaFold：其他值得挖掘的方法

在AlphaFold出現之前，蛋白質結構預測主要依賴于實驗方法（X射線、核磁共振、冷凍電鏡）以及多種計算方法，包括：比較建模/同源建模（利用已知結構模板）、分子動力學模擬（基于能量最小化）、Threading算法（利用序列相似性和結構相似性）、從頭預測（de novo prediction，無需模板）以及基于深度學習預測接觸圖的算法。

3. 鄭偉教授團隊的突破性成果

鄭偉教授團隊在蛋白質結構預測領域取得了顯著成果，其開發的算法在精度上超越了AlphaFold2/3。團隊主要貢獻體現在以下幾個方面：

1. 蛋白質單體結構預測算法D-I-TASSER：該算法整合了AlphaFold2預測的接觸圖等信息，在精度上優于AlphaFold2和AlphaFold3，并在CASP比賽中多次名列前茅。
2. 蛋白質復合物結構預測算法DMFold：該算法利用深度學習和宏基因組數據，在預測蛋白質復合物結構方面優于AlphaFold2，在CASP比賽中也取得了優異的成績。
3. RNA-RNA復合物結構預測算法ExFold：該算法利用Transformer模型和RNA大語言模型，在RNA復合物結構預測方面表現出色，在CASP16的服務器組比賽中排名最高。
4. 蛋白質-RNA復合物結構預測算法DeepProtNA：該算法在預測蛋白質-RNA復合物結構方面精度高于AlphaFold3，在CASP16服務器組比賽中排名第一。
5. 生物大分子變構結構預測算法EnsembleFold：該算法能夠預測蛋白質在不同狀態下的多個關鍵構象，在CASP16比賽中排名第一。

這些算法已轉化為自動服務器算法，服務于全球眾多用戶。

4. 未來展望與團隊招募

鄭偉教授團隊的研究表明，AlphaFold并非蛋白質結構預測領域的終點，學術界仍有巨大的發展空間。團隊目前正在招募對計算結構生物學或生物信息學感興趣的碩士、博士和博士后。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例