David Baker, Demis Hassabis和John Jumper（从左至右）因开发可被用于预测和设计蛋白质结构的计算工具被授予诺贝尔化学奖。来源: BBVA Foundation

蛋白质在生命体中发挥着核心作用，其三维结构决定了生物学功能。过去50多年，生物医学研究聚焦于理解蛋白质如何折叠并发挥作用，这推动了蛋白质分子设计学科的诞生。

该领域通过预测氨基酸序列折叠、改造天然蛋白质、拼接不同蛋白结构域或“从头设计”全新蛋白质，旨在创造出性能优越的新型蛋白质，用于催化特定反应、医药和材料科学。尽管完全从头设计蛋白质面临重大挑战，被视为世界级难题，但David Baker团队等科学家正逐渐突破这一壁垒。

蛋白质的多样性和高效性源于20种氨基酸的不同排列组合。科学家探索通过功能设计蛋白质结构，再用逆向算法推导回序列的“从头设计”方法。

2003年，David Baker团队首次设计出非自然界的全新蛋白质Top7，标志着从头设计蛋白领域的重大突破，但Top7仅具结构无功能。蛋白质的复杂性和与生物体内其他分子的相互作用使设计具备特定功能的蛋白质极具挑战。随着生成式AI和其他机器学习技术的发展，Baker团队在2024年成功设计出能调控成纤维细胞生长因子信号通路并促进血管分化的全新环形蛋白，这大大扩展了蛋白质从头设计的应用前景，对领域发展产生深远影响。

2016年，韩国围棋选手李世石与 AlphaGo 的“世纪人机大战”中， AlphaGo 获胜，其背后的DeepMind 公司及其创始人 Demis Hassabis 因此受到全球关注。Hassabis 意识到DeepMind 的技术已准备好应对生物学中的重大挑战——预测蛋白质结构。他组建跨学科团队，致力于将 AlphaGo 的技术应用于解决蛋白质折叠问题。

2018年，DeepMind推出AlphaFold ，在“蛋白质结构预测奥运会”CASP比赛中表现出色。经过不断迭代，AlphaFold 2 的预测精度与 模型相当，甚至更高，成功预测了几乎整个人类蛋白质结构。

 Hassabis 多年来一直对蛋白质问题充满兴趣，AlphaFold 的成功实现了他破解蛋白质折叠的梦想，也为生物学研究带来了变革。AlphaFold 使用了国际蛋白质数据库中的大数据作为基础，其成功预测蛋白质结构的能力为生物学家提供了前所未有的工具，有助于加速生物学研究和药物开发等领域的发展。

约翰•詹珀（John M. Jumper）在蛋白质结构预测领域的贡献显著而深远。作为DeepMind团队的关键成员，他积极参与了AlphaFold 项目的研发，在和其他科学家的精湛技术和创新思维下，AlphaFold 应运而生。

约翰的贡献不仅在于AlphaFold 的成功开发，更在于他推动了人工智能技术在生物学研究中的应用，为生物学研究带来了革命性的变化。他深知蛋白质结构预测对于理解生命过程、推动药物研发的重要性。

随着AlphaFold 等技术的不断发展，我们有理由相信，未来的生物学研究将更加高效、精准，为人类健康事业作出更大的贡献。

基于初代版本，2020年，DeepMind又推出了AlphaFold 2。它能够在广泛领域进行蛋白质结构的预测，已经将两亿多蛋白的三维结构全部都预测出来，在结构生物学中是最重要的里程碑的贡献，对后续蛋白质结构及功能研究具有开创性意义。

该系统还在应用层面，特别是对生物制药的促进作用巨大。了解蛋白质的三维结构，对于设计针对性的药物分子也大有帮助。如今全球已有数百万研究人员将AlphaFold 2 应用在疟疾疫苗、癌症治疗和酶设计等领域，有了不少新的发现。之后的 AlphaFold-Multimer 则推动了对蛋白质-蛋白质复合物的预测。

2024年5月，由 Google DeepMind 和 Isomorphic Labs 研究团队推出的新一代AlphaFold—— AlphaFold 3 登上了 Nature。

据介绍，AlphaFold 3 以前所未有的精确度成功预测了所有生命分子（蛋白质、DNA、RNA、配体等）的结构和相互作用。与现有的预测方法相比，AlphaFold 3 发现蛋白质与其他分子类型的相互作用至少提高了50%，对于一些重要的相互作用类别，预测准确率甚至提高了一倍。

研究团队认为，AlphaFold 3 可以将我们从蛋白质带入广泛的生物分子领域，这一飞跃有望开启更具变革性的科学——从开发生物可再生材料和更具抗逆性的作物，到加速药物设计和基因组学研究，进而开启人工智能细胞生物学的新时代。