2024年4月底，AlphaFold 3正式上线。AlphaFold 3主要解决的问题是预测分子间的相互作用结构，这是在药物研发中重要的一环。

大多数药物分子通过与靶点的相互作用产生药效，这涉及至少两个分子的相互作用。预测这些分子之间的相互作用，特别是它们的相互作用结构，称为“docking”，是非常重要的。此外，预测结合自由能和亲和力也是必要的，因为它们可以帮助区分真结合分子和假结合分子，这对药物研发具有重要意义。

预测单个蛋白质只需要一个大的分子变量，但预测两个或更多蛋白质需要考虑多个分子变量，用数据拟合两个变量体系比拟合一个变量体系需要的数据量大很多，大概是平方的关系。由于数据稀缺，而且需要更多数据来拟合更复杂的模型，这是非常困难的。DeepMind前CEO曾表示，AI在药物研发上取得突破前需要至少六次与AlphaFold 2相当的突破。尽管AlphaFold 3有许多创新点，但还不算是一次革命性突破。

与AlphaFold 2相比，AlphaFold 3的开发包括了Conformer生成，降低了多序列比对MSA共进化信息的重要性。Pairformer取代了原来的Evoformer，并在结构重构中采用了Diffusion模型，这是当前分子对接和生成领域常用的工具。

AF3的Diffusion模型的特点是它没有使用我们常见的SE（3）等变模型。其Diffusion模型使用了一种多个随机坐标训练的方法，如果这条路真的有效，可能会引起大家在Diffusion模型上方法的改变。

标准Diffusion模型我们现在用得比较多。在训练过程中逐渐增加噪声，并在生成时反过来去除噪声，生成出蛋白质结构。

AlphaFold 3计算结果。小分子使用2019年结构进行训练，2019年之后的数据进行测试题。AF3针对PoseBuster第一个版本的正确率为76.4%，这是通过输入两个分子的序列重建它们相互作用的结构，这种Blind Docking或者Co-folding达到了76.4%的准确性。此外，它还做了确定口袋位置对接，号称达到了90.2%的正确率。

在传统的蛋白质和小分子复合物结构预测中，AutoDock是一种学术界中最常用的对接方法。在小分子对接中，超过40%的文献使用AutoDock。AlphaFold 3的正确率为76.4%，而AutoDock大约为50%，这表明AlphaFold 3相比传统方法提升了约25%的绝对值，从结果看是一个很好的提升。

在指定口袋位置时，AlphaFold 3达到了百分之九十多的精确度，而Vina则只达到了百分之五十多。对新版本的PoseBuster数据，用Vina做的正确率是60%，AlphaFold 3做正确率是80%。

然而有些数据可能值得商榷。例如，在确定口袋位置时，AF3使用了配体延伸6Å作为口袋大小。与之相比，AutoDock Vina使用了更大的25Åx25Åx25Å的口袋。在一个巨大的搜索空间中相比在较小的空间中寻找答案，难度不是一个级别，因此这个比较非常不公平。6Å是一个非常小的口袋，而25Å则大很多，所以我们暂时不能认为AF3这个结果是特别可靠的结果。

其他基于深度学习的蛋白质小分子对接方法，如Uni-Mol，在6Å口袋大小下能达到68%的精度，但当口袋大小增加到8Å时，精度下降到22%。这表明深度学习对接方法中口袋定义的大小至关重要。为了追求更好的结果，将口袋大小缩小到6Å，可能不是一个好的科学态度。

关于打分函数的设计，它基于经验方程，考虑了两个结构的置信度，包括disorder和clash，这两个参数的系数是人为设计的，在以前DeepMind的研究中不常见，这种人为设置系数的方法应该是遇到了难题而暂时采用的，也是一种无奈的体现。

分子相互作用是一个动态过程，目前对接方法只能预期最终状态，但在这个过程中会丢失大量信息。传统对接方法分为两个步骤：采样和计算结合自由能打分（scoring），然后选择能量最低的构象作为最可能的真实构象。这种传统方法的准确性一般在40%到90之间%，具体取决于不同的测试结果、方法和体系。例如，在计算结合自由能时，现在可以使用机器学习皮尔森相关系数来计算出0.85，这已经比之前更好了。

然而，在实际的分子对接中，最关键的不是这个对接，而是筛选（screening）过程。假设在100万个分子，其中只有10个是真正有效的结合分子，剩下的分子都不适合。对接目标是将这10个有效分子排在前面，以最高分标记，其他分子则应该得到相对较低的分数，以便正确识别和挑选出真结合的分子。

药物分子研发中的分子优化过程也很重要。在获得先导分子之后，离成药还有相当距离，还需要进行改进，在活性优化过程中打分函数的排序能力也非常重要。这涉及同系列衍生物的ranking问题。

目前docking、scoring、screening、ranking这四个问题都是独立的，目前还很难统一到一起。之前大多数研究者都只关注了scoring方法，认为如果scoring准确性能够提高，那么其他三个方面也会相应地改善，然而实际上并非如此。目前，AlphaFold3只展示了docking power，而其他三个方向尚未展示，尤其是screening power。

对于药物开发人员来说，更关注对接的screening power等能力。这是因为药物开发类似于在大海中捞针——必须从分子库中找到真正有用的分子。

例如使用CLIP这种对比学习方法可能会有效，比如清华大学发展的DrugCLIP方法。

AutoDock-Vina是一个常用的对接方法，在实际测试中，它也对大多数的靶点显示效果为0，完全无效。在药物设计过程中，我们经常遇到这样的情况，一个方法可能在某个例子中表现出色，但在其他情况下则完全不起作用。

AlphaFold提供了一种只基于序列信息进行对接的方法，这对于预测靶点或小分子相互作用地点非常有帮助。目前，AlphaFold的服务器不支持上传小分子，暂时用不了。

AlphaFold 3可以生成三元复合物体系。这种情况下可以用来做分子胶设计，分子胶是一种小分子，它可以将两个蛋白质连接在一起，形成一个复合物。这种技术以前很难有程序能做或者做得好，但现在可以通过AlphaFold 3来尝试。

图片是英飞智药的尝试，AlphaFold 3服务器不能输入小分子，他们想了一个方法，用GPT-4生成小分子的模拟肽，并将其与两个蛋白质的序列同时输入到AlphaFold 3服务器中，预测三元复合物的结构。

这是一个例子，左边显示了分子胶的已知三元复合物结构，中间的绿色部分代表了分子胶连接两个蛋白质。而如果使用AlphaFold 3来预测这两个蛋白质的结合（无分子胶），它预测的蛋白质复合物结构和三元复合物结构中蛋白质差异。有7.13Å。当输入小分子的模拟肽时，AlphaFold 3的计算的结构非常接近实验结构，所以AlphaFold 3可能对设计小分子分子胶有所帮助。

测试了10个分子胶体系（已知三元晶体结构），AF3预测其中3个成功，7个失败，成功率为30%。注意我们用模拟小肽进行输入，并不能完全对等小分子的真，如果小分子在两个ab蛋白之间形成内部空腔时，目前的预测都失败了。如果作用的表面积较大和柔性更大时，则预测成功。

AlphaFold 3的自己指出的其方法的Limitation：有的化学分子的手性中心不对、预测结构会产生幻觉现象；记忆只能生成静态结构，无法生成动态结构等。

基于以上，我们可以讨论一下：

• AlphaFold 3证明了深度学习模型能够预测全类型的生物分子相互作用。

• MSA和等变性的作用降低，但这些问题在论文中没有详细讨论，因此可以在未来继续探索。

• 在通用的深度学习框架下，可以直接基于分子序列预测蛋白质和配体的复合结构，取得了很大进展。

• 目前AF3的功能仅限于分子对接，而药物分子生成也是个重要的任务。Diffusion model在分子生成方面遇到了挑战。

• AlphaFold 3公布的版本对药物设计领域产生了新的启示，但AI制药离系统落地还有很长的路要走。

这些因素导致FIC（First-In-Class）研发不足，大家倾向于在近邻空间内做跟随式创新。

在AI其他领域，人们经常使用Benchmark数据来测试模型的性能。但是药物研发领域，因为数据太稀疏，即使是非常认真建立的Benchmark数据集还是无法评估模型的真实性能。

比如常用的里宾斯基五规则或者是QED指标。但是根据我们的测试，这些指标对于真正有效的药物筛选几乎没有什么作用。因此，我们开发了一个内药性预测机器学习模型，该模型单独使用就可以将药物筛选富集5~10倍。经过多次实践应用后，我们才比较相信这个模型。目前，AI药物研发模型的主要问题在于泛化能力和作用域。

谢谢大家。

全文完