公開資料顯示，谷歌AlphaFold模型可用于預測蛋白質結構和相互作用。而該模型的最新版本AlphaFold 3在蛋白質預測能力之上，還增加了預測DNA、RNA、小分子等幾乎所有生物分子結構和相互作用的能力，直接推動了藥物發現和疾病治療。
對此，DeepMind首席執行官戴密斯·哈薩比斯評價道，AlphaFold 3是一個重要的里程碑?！吧飳W是一個動態系統，你必須了解生理特性是如何通過細胞中不同分子之間的相互作用而產生的。你可以把AlphaFold 3看作是我們朝著這個方向邁出了一大步。”
一般而言，通過普通實驗方法研發藥物需要耗費數年時間以及極高的成本，AlphaFold 3則能大幅加速這一進程。它可以快速篩選潛在藥物靶標，通過預測靶點蛋白的結構，發現和尋找其可藥用口袋。
值得一提的是，今年5月AlphaFold 3發布之初，曾因未開放底層代碼而廣受爭議?？茖W家們認為，此舉破壞了研發的可重復性。于是DeepMind立即轉變方針并應允在半年內推出此AI模型的開源版本。目前，獲取此模型需填寫表單進行申請，經DeepMind審核通過后即可得到應用權。
▌AI制藥蓄勢待發
不可否認，以AlphaFold為代表的人工智能系統在生命科學領域取得重要突破，推動了AI在藥物研發上的應用。與此同時，IT巨頭們將生物技術視作AI應用的下一個前沿領域：去年Salesforce推出了蛋白質生成模型ProGen，早先微軟也發布了與AlphaFold類似的開源模型EvoDiff。
聚焦國內，圍繞AI藥物研發模型所作布局同樣火熱。例如今年5月，百度飛槳螺旋槳PaddleHelix團隊研發出HelixFold-Multimer模型，據稱在抗原抗體/多肽蛋白復合體結構預測任務上達到業界領先；近年來，華為也不斷更新盤古藥物分子大模型并聯合中國科學院上海藥物研究所賦能全流程的AI藥物設計。
華創證券研報指出，AI在藥物發現階段已展現出巨大潛力。AI技術特別是機器學習和深度學習算法，能夠迅速分析和處理大量生物醫學數據，識別潛在的候選化合物，預測其效果和副作用，從而顯著縮短藥物發現所需的時間。據英偉達所述，使用AI技術可以將藥物發現所需時間縮短至原來的1/3，成本節約至1/200。
根據PrecedenceResearch，Al制藥行業將在未來十年保持高速增長，2023年市場規模達11.7億美元，預計市場規模到2032年將超過118億美元，從2023年到2032年的CAGR將達到29.3%。
編輯：金杜
湘公網安備43010502001700號