AlphaFold
AlphaFold是由Google DeepMind开发的人工智能蛋白质结构预测系统，能够根据氨基酸序列高精度预测蛋白质的三维空间结构。该系统基于深度学习技术，解决了困扰生物学界数十年的蛋白质折叠问题，可广泛应用于药物研发、疾病机理研究及生物工程等领域，其预测结果数据库已向科学界开放共享。
核心事实
时间轴 (近 90 天)
AlphaFold的三角形更新与Edge Transformer具备“通过第三个顶点更新一条边”的形态，但缺少规范约束。
AlphaFold类工具可用于预测蛋白质三维结构，生成模型可设计全新分子或抗体序列，机器学习可用于虚拟筛选。
生命科学AI赛道包括以DeepMind的AlphaFold系列为代表的蛋白质结构预测、以Schrödinger和Insilico Medicine等为代表的计算药物发现，以及通用科研助手等类别。
ProGen 走的是与 AlphaFold 相反的方向：给定目标功能（如抗菌活性），生成能折叠成相应结构的全新蛋白质序列，形成“预测—生成”的互补闭环。
2024年10月，诺贝尔化学奖授予Demis Hassabis和John Jumper（Google DeepMind）以及David Baker（华盛顿大学），表彰AlphaFold在蛋白质结构预测上的突破。
AlphaFold预测结构附带置信度指标（如pLDDT），低置信区域往往对应柔性Loop，直接用于对接容易产生假阳性，实验验证仍是确认关键结合位点构象的必要步骤。
AlphaFold的成功依赖于DeepMind拥有的数百块专用TPU、多年积累的蛋白质序列数据库以及顶尖跨学科团队，这种配置几乎不可能在单个大学实验室复制。
AlphaFold由DeepMind开发，在2020年CASP14竞赛中达到与实验方法相媲美的精度，被视为结构生物学五十年来最重大的突破之一。
科学领域基础模型已有先例，如DeepMind的AlphaFold在蛋白质结构预测上取得突破，华为的盘古气象模型在天气预报上超越传统数值方法，NASA和微软合作构建过用于地球观测的Earth Copilot。
AlphaFold降低了早期靶点评估和结构基础药物设计的门槛，但它提供的是结构假说而非生物学验证，预测结构仍需要实验确认，且不能替代功能实验和临床前毒理学评估。
还有 38 条时间轴事件
全部知识事实 (20)
截至2023年，AlphaFold已预测超过2亿种蛋白质结构，覆盖几乎所有已知生物体
90%已验证AlphaFold是DeepMind于2020年推出的蛋白质结构预测系统
90%已验证AlphaFold 是应用于蛋白质结构预测的AI模型，代表了AI在科研中特定专用模型层面的应用
80%已验证AlphaFold被《Science》评为2021年年度突破
80%已验证AlphaFold数据库已覆盖超过2亿个蛋白质结构预测
75%已验证AlphaFold系列用于蛋白质结构预测，基因组语言模型用于DNA序列设计，大幅加速了合成生物学过程
75%已验证AlphaFold2通过引入注意力机制（Evoformer模块）和等变神经网络将蛋白质单体结构预测精度提升到接近实验级别
75%已验证哈萨比斯因AlphaFold的贡献获得了2024年诺贝尔化学奖
75%已验证DeepMind的AlphaFold3将蛋白质结构预测扩展到DNA、RNA和小分子配体
75%已验证AlphaFold在2020年解决了蛋白质折叠问题
75%已验证蛋白质折叠问题困扰生物学界长达50年
75%已验证AlphaFold解决蛋白质结构预测，AlphaGenome Atlas进一步回答基因变化会导致什么功能结果
70%已验证AlphaFold通过深度学习技术解决了困扰生物学界50年的蛋白质折叠问题，即从氨基酸序列预测蛋白质三维结构
70%已验证DeepMind是谷歌旗下的人工智能公司,因开发出击败世界围棋冠军的AlphaGo而闻名
65%已验证AlphaFold3扩展到蛋白质-核酸-小分子复合物的结构预测
65%已验证DeepMind正在开发智能体框架，将AlphaFold、AlphaGenome等不同专业化模型整合在一起
85%待验证DeepMind公开了超过2亿个蛋白质的预测结构数据库，覆盖了几乎所有已知蛋白质
70%待验证谷歌DeepMind整合了原DeepMind（AlphaFold、AlphaGo）与Google Brain（Transformer架构发源地）两大研究团队
60%待验证谷歌拥有自研TPU芯片集群，DeepMind提供基础研究能力，并有Search、Gmail、Google Docs等10亿级日活产品
60%待验证AlphaFold的三角形更新与Edge Transformer具备“通过第三个顶点更新一条边”的形态，但缺少规范约束。
50%