谷歌DeepMind发布AlphaProteo，一款人工智能系统，专注于生成针对特定目标分子的新型蛋白质，旨在加速药物设计、疾病理解及健康应用研究。AlphaProteo成功为与肿瘤生长和多种疾病并发症相关的蛋白质VEGF-A设计了结合剂，效果远超传统方法。不同于AlphaFold，该系统设计的蛋白质能与生物过程互动，为开发针对有害蛋白的靶向疗法提供可能。应用领域广泛，包括药物开发、细胞和组织成像、疾病理解及农业作物抗性发展。AlphaProteo的潜力被寄望于加速生物学理解、药物发现及生物传感器开发，DeepMind正继续探索其在医学和健康研究中的深远影响。

AlphaSeq，由A-Alpha Bio公司推出，打破了蛋白质相互作用（PPI）预测的局限，成为世界上最大的PPI数据集，包含超过7.5亿条测量结果。它与AlphaFold在蛋白质结构预测上的成功形成对比，特别擅长PPI预测，通过创新方法简化了这一过程。AlphaSeq的实验平台能高效测量数百万个PPI的结合亲和力，加速了蛋白质研究的进程。凭借计算生物学专家David Baker的顾问身份和一支才华横溢的团队，AlphaSeq的技术源自2017年发表的论文，描述了大规模收集和表征PPI数据的方法。通过基因改造酵母细胞，让蛋白质相互作用强度决定配对可能性，AlphaSeq为蛋白质研究开辟了新道路。尽管信息有限，AlphaSeq和其AlphaBind模型展现出了在药物设计、分子胶开发等领域的巨大潜力，预示着AI在生命科学领域的重大突破。

AlphaFold3（AF3）是DeepMind团队的最新增强工具，用于预测蛋白质、核酸和小分子的结构。凭借能够解析单个蛋白质序列及其复合结构的能力，AF3实现了"食谱到三维结构"的转变。其架构由三项核心模块组成：输入准备梳理序列、检索具备相似结构的分子；表示学习运用多层注意力机制更新表征；结构预测通过条件扩散模型实现预测。AF3创造性地将各类分子转化为独特数值张量，仿佛给每个分子一个独一无二的"身份证"，并运用注意力机制捕捉分子间的互相关系。在预测层面，条件扩散模型从随机噪声开始，逐步构建结构预测。训练中多种损失函数和信心评估共同作用，提高了AF3的预测准确性和可靠性，实现自我反省与提升。AF3的可视化指导和先进架构，展示了人工智能在生物学领域预测模型的革命性进步。

["Evo是一种基因组基础模型，可以进行多模态和多尺度学习","Evo可以生成全基因组规模的DNA序列","Evo超越了单分子和短序列，可以设计合成的多组分生物系统","Evo在全基因组规模上可以预测细菌或噬菌体中的必需基因"]

["科学家们近日在《Nature Machine Intelligence》杂志上发布了关于蛋白质-配体复合物结构预测的研究。","新方法NeuralPLexer通过深度生成模型，仅需蛋白质序列和配体分子图输入即可预测结构。","NeuralPLexer利用多尺度深度学习系统，提高了预测成功率，有望在药物发现中发挥重要作用。","这项研究为探索蛋白质-配体复合物结构预测领域提供了通用的计算框架，具有重大意义。"]

["荷兰瑞士初创公司Cradle成功融资2.4亿美元，致力于利用AI协助科学家更快、更经济地设计和工程化蛋白质。","Cradle采用生成式人工智能（Generative AI）技术，通过实验室数据和数十亿蛋白质序列训练，助力改进蛋白质设计，加速研发。","该技术有望解决传统工具无法应对的蛋白质工程难题，为生物制药公司提供更快、更成功的实验结果。","Cradle吸引了Index Ventures、Kindred Capital等投资，共筹集3300万美元，开展多项目，客户包括强生公司和Novozymes A/S。"]

["AlphaFold最新版本可以预测蛋白质、核酸、含PTM分子的结构","实现了对配体、蛋白质、核酸高精度原子级预测","在抗体结合相关问题上大幅超过早期版本","可以更快速准确地预测蛋白质-配体结构","有助于理解复杂生物机制,加速医疗应用"]

["哈佛、哥大发布开源数据集OpenProteinSet，包含1600万蛋白质多序列对齐和相关数据，为AI模型训练提供支持。","AlphaFold 2的准确性在蛋白质结构预测领域创下里程碑，但其私有数据限制了其他研究者的进展。","OpenProteinSet包括PDB中所有蛋白质的MSAs，为蛋白质机器学习社区提供充足的预计算MSA资源。","该数据集可用于结构生物学各种任务，推动生物信息学和蛋白质机器学习领域的研究。","OpenProteinSet是一个重要的生物信息学资源，为多模态语言模型提供了宝贵的生物知识。"]