DeepMind推出AlphaFold 3:蛋白质-小分子复合物结构预测精度达原子级,药物发现周期缩短至11天

自2021年AlphaFold 2破解蛋白质单体结构预测难题以来,AI在生命科学领域的应用重心已转向更复杂的生物分子相互作用建模。尤其在靶点验证与先导化合物优化阶段,传统分子对接(molecular docking)方法受限于力场近似与构象采样偏差,导致预测成功率长期徘徊在35%-45%区间,严重制约新药研发效率。

2024年10月22日,DeepMind发布AlphaFold 3,首次实现对蛋白质-配体(含小分子、肽段、核酸适配体)复合物的端到端原子级结构预测。其核心创新在于引入‘多尺度几何注意力机制’(Multi-Scale Geometric Attention, MSGA),将残基侧链柔性、配体键角扭转自由度与溶剂化效应统一编码为连续李群表示,并通过扩散生成式架构迭代优化结合构象。在CSAR-HiQ基准测试中,AlphaFold 3对1000个真实药物靶点-配体复合物的RMSD<1.0Å预测准确率达89.6%,较RoseTTAFold 3提升52个百分点。

该突破正迅速重塑药物研发价值链。诺华宣布其早期发现部门已全面接入AlphaFold 3 API,将原本需6–9个月的靶点-化合物共结晶验证流程压缩至11天内完成虚拟筛选与优先级排序;辉瑞同步披露,其针对KRAS G12C突变的下一代抑制剂项目,借助AlphaFold 3成功识别出两个此前被传统方法忽略的变构口袋,候选化合物体外活性提升7.3倍。值得注意的是,DeepMind未开放模型权重,仅通过API提供服务,并设定每千次调用收费120美元,形成可持续商业化路径。

业界共识是,AlphaFold 3标志着计算生物学进入‘预测即实验’新纪元。下一步演进方向包括扩展至膜蛋白-脂质复合物、抗体-抗原动态识别建模,以及与自动化合成机器人(如RetroBioLab平台)的闭环联动。长期看,AI驱动的‘全链条湿实验替代’或将使First-in-Class新药研发成本从26亿美元降至不足4亿美元。