近期，关于AlphaFold的影响的讨论不断涌现，推崇的声音不少，但质疑的声音也层出不穷，作为人工智能领域的热点，AlphaFold可谓是站在风口浪尖上。

AlphaFold可以用于哪些领域，关于它的质疑又是怎么回事，我们先从最近的一项研究谈起。

随着AlphaFold站在聚光灯下，关于它的赞美声和议论声也如潮水般袭来，其中有些合理，也有些并不见得合理。

论文截图，截图来自embopress.org

在AlphaFold出现之前，分子对接方法通常是从候选化合物开始，将每个候选化合物与目标蛋白质进行对接，以寻找最有可能结合的化合物，并进行粗略排序。而现在，这种方法可以在蛋白质结构数据库上完成。

但目前仍然不能保证AlphaFold在任何情况下都有用。因此，研究人员必须经过不断的试验来进行核对。由于这些数据库的的算法有很多种，因此可能会出现一种让科学家左右为难的情况：两种方法得出的结果完全不同，但是他们又无法事先对这些算法得出的结果进行预测。

因此，这篇论文的研究团队利用AlphaFold生成的蛋白质结构，探索了现有算法能否准确预测细菌蛋白与抗菌化合物的相互作用，并对算法的性能进行了评估，发现模型在识别真正的蛋白质-配体相互作用方面的预测能力较弱，并证明需要使用基于机器学习的方法进行建模来提高模型性能，让AlphaFold2更好地进行药物研发。

218种活性化合物、100种非活性化合物和296种AlphaFold2预测的大肠杆菌必需蛋白质结构的结合亲和力预测，图片来自embopress.org

在新晋明星AlphaFold走在争议潮水中时，科学家也中肯地给出了自己的观点。

2022年9月12日，杜克大学有机化学博士德里克·洛（Derek Lowe）在《科学》（Science）杂志以“Not AlphaFold's Fault”为题发文，表示“即使AlphaFold已经在完善，但是要真正准确预测蛋白质结构，还是有很长的路要走”。

文章截图，截图来自science.org

德里克指出，即使加入机器学习方法可以提高AlphaFold的准确性，但是这并非是完全成功的，因为只有一部分机器学习算法达到了提高准确性的目的，而且它们的优化效果仍差强人意。

即使AlphaFold可能为研究人员提供合理的蛋白质结构，但科学家需要关注的是这些蛋白质结构是否真的有用。

德里克表示，“这也是我不断对‘AlphaFold将彻底改变药物研发’的炒作泼冷水的原因之一。再想到几个月前，那些大放厥词说‘革命来了’的人，多半是不知道AlphaFold的预测结果到底如何。”

此外，西雅图华盛顿大学（UW）生物化学家大卫·贝克（David Baker）也曾表示，他们团队曾在一次试验中，利用人工智能得到的150种蛋白质中没有一种起作用，“它们根本没有折叠，只是在试管底部形成了粘液。”

尽管目前AlphaFold的预测准确性较低，但是多年来它在不断地完善，因此，AlphaFold后面还有很长的路要走。与此同时，我们没有理由认为AlphaFold的方法是行不通的，只是目前的软件和硬件水平可能无法支持我们的需求。AlphaFold预测的准确性有待考察，但是它的应用给许多生命科学领域的研究带来了巨大变化。

“自AlphaFold以来，我们设计蛋白质的方式发生了变化，”西班牙赫罗纳大学的计算生物学家Noelia Ferruz说，“我们正在见证非常激动人心的时刻。”

总的来说，目前关于AlphaFold的争议依然存在，我们无法否定它带来的革新，但也无法忽视它存在的弊端。至于AlphaFold最终会变成什么样子，能给科研工作带来什么，或许时间会告诉我们。

参考资料

1.Benchmarking AlphaFold‐enabled molecular docking predictions for antibiotic discovery | Molecular Systems Biology (embopress.org)

2.Not AlphaFold's Fault | Science | AAAS

3.7 case studies highlighting the potential of DeepMind's AlphaFold (drugdiscoverytrends.com)

4.Scientists are using AI to dream up revolutionary new proteins (nature.com)