DeepMind創始人兼執行官Demis Hassabis在《Nature》期刊上分享AlphaFold的開源代碼，并發表了系統的完整方法，詳盡細致說明AlphaFold是如何做到精確預測蛋白質3D結構的。

更加令人振奮的是，在AlphaFold2開源僅僅一周后，DeepMind震撼公布了AlphaFold數據集。開放的數據集不僅包括人類蛋白質組，還有大腸桿菌、酵母、果蠅、小鼠、水稻、擬南芥等模式物種在內的20多種物種的大部分蛋白的預測結構，總計超過35萬個蛋白質的結構。DeepMind還與歐洲生物信息研究所（EMBL-EBI）合作建立了一個平臺—AlphaFold DB（AlphaFold蛋白質結構數據庫），將他們的預測結果免費開放給公眾，AlphaFold2模型的目標是為所有具有已知序列的蛋白提供預測結構。DeepMind計劃在年底將預測數量增加到1.3億個。EMBL-EBI主任Ewan Birney博士將其稱之為“繼人類基因組圖譜之后最重要的數據集"。

數十年的時間里，研究人員一直在用X射線晶體學和冷凍電鏡這類實驗技術解析蛋白質結構。但是，這類方法存在費時耗錢的問題，對一些蛋白也不適用。為滿足科研工作者對于蛋白與多肽設計，高效的抗體定制以及蛋白結構與功能分析等需求，索萊寶緊跟科技前沿，深入解析這個基于神經網絡的新模型AlphaFold2。AlphaFold2不僅可以做到精確預測蛋白質3D結構，而且準確度能達到原子水平。AlphaFold2不僅達到了*的準確度，還遠超解析新蛋白質結構的其他方法。現小編和大家一起，初步體驗AlphaFold2在蛋白結構預測中帶來的這份快樂。

◆ 按下圖點擊

◆ 在Search欄輸入蛋白名稱、UniProt號或基因ID，比如：植物蛋白PHYB；

◆ 在左邊選擇目標物種，就可以顯示該物種中的PHYB蛋白，比如選擇“Oryza sativa subsp. Japonica"，就可以顯示水稻的PHYB蛋白；

◆ 點擊進去，就會顯示PHYB的預測結構，其中不同顏色代表不同的預測可信度。藍色越深，可信度越高，橙色越深，可信度越低。可以看出，PHYB的預測結構具有很高的可信度，結構的細節也可以點擊圖片進一步查看；

在Uniprot數據庫，并沒有提供這一蛋白的可以利用的結構注釋信息（見下圖）。

使用SWISS-MODEL建模預測蛋白結構（見下圖），通常需要花費很長時間（短則10分鐘，長則數小時），且預測的結構完整度受限于同源蛋白的相似度（很多時候僅有部分蛋白片段給出預測結果）。

評論：

AlphaFold可以看到蛋白的預測結構，并且將待預測蛋白的全序列結構描摹出來。據報道AlphaFold2的神經網絡能在幾分鐘內預測出一個典型蛋白質的結構，還能預測較大蛋白質（比如一個含有2180個氨基酸、無同源結構的蛋白質）的結構。

參考文獻

Jumper, J et al. Highly accurate protein structure prediction with AlphaFold (Nature 2021).   

Tunyasuvunakool, K et al.Highly accurate protein structure prediction for the human proteome (Nature 2021).