清华大学团队研发的DrugCLIP平台实现基因组级药物虚拟筛选，24小时内完成10万亿次计算，显著提升药物筛选效率。该平台成功筛选出抑郁症和癌症等疾病的潜在药物分子，首次覆盖人类基因组规模，推动新药发现。

数据全开放

蛋白质是生物过程的重要分子。五年前，AlphaFold AI系统问世，能够根据氨基酸序列准确预测蛋白质结构。目前，全球三百万研究者在亚太地区广泛使用AlphaFold，推动医学和科学的突破，包括在马来西亚对抗梅毒、在新加坡研究帕金森病、在韩国研究癌症、在台湾发现新蛋白形状，以及在日本热泉中发现新病毒。

独立分析显示，使用AlphaFold 2的研究人员提交的新蛋白质结构数量增加超过40%，且这些结构更可能与已知结构不同，促进科学探索。此外，AlphaFold 2相关研究在临床文章中的引用率是普通结构生物学作品的两倍。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

AlphaFold因其在蛋白质结构预测方面的突破获得诺贝尔化学奖，全球用户超过250万，亚太地区超过100万。其免费开放的2亿种蛋白质结构数据库显著节省了科研经费和时间，推动生命科学研究，广泛应用于粮食安全、生态保护和医学等领域。

自2018年AlphaFold问世以来，蛋白质结构预测领域取得显著进展。最新研究提出的AlphaFold-Metainference方法，通过结合AlphaFold预测的对齐误差与分子动力学模拟，成功构建了无序蛋白质结构集合，拓展了AlphaFold的应用，为无序蛋白质研究提供了新思路。

近年来，AI技术推动蛋白质结构预测的发展，尽管AlphaFold获得诺贝尔奖，但仍存在局限性。南开大学郑伟教授指出AlphaFold的不足及未来优化方向，并介绍了D-I-TASSER和DMFold等优秀算法，强调学术界需继续探索提升预测精度的方法。

微软推出的MatterGen模型被誉为“材料界的AlphaFold”，能够利用AI生成新材料，超越传统筛选方法。该模型在电动车和航空航天等领域展现出极大潜力，提升了材料生成的稳定性和准确性。与中科院合作，成功合成新材料TaCr₂O₆，展示了其在材料设计中的应用前景。

研究团队提出了统一模型UniIF，成功解决了分子逆折叠中的三大挑战，适用于蛋白质、RNA和材料设计。实验结果显示，UniIF在各项任务中表现优异，超越现有方法，具有广泛的应用潜力。

美国华盛顿大学的David Baker教授是蛋白质设计领域的顶尖专家，发表700余篇论文，并获得2024年诺贝尔化学奖。他创办了21家公司，推动蛋白质设计技术的产业化，开发了Rosetta和RoseTTAFold等重要工具，促进了科学研究与应用。

DeepMind的AlphaFold在蛋白质结构预测方面取得重大进展，已预测超过2亿种蛋白质结构，推动了核孔复合物的研究。此外，它还被用于应对塑料污染和增强农作物抗病性，影响深远。

2024年诺贝尔化学奖授予David Baker和谷歌DeepMind的Demis Hassabis及John M. Jumper。Baker因计算蛋白设计获奖，Hassabis和Jumper因AlphaFold在蛋白质结构预测的突破性成就获奖。奖金为1100万瑞典克朗。AI在诺贝尔奖上的表现引人注目，尤其是AlphaFold的成功。获奖者强调AI工具能辅助科学研究，但仍需人类科学家的思考。此次获奖被视为AI领域的里程碑。

AlphaFold 3是一种蛋白质结构预测工具，具有改进的模型架构和减少对多序列比对（MSA）的依赖，实现了原子级结构预测。它在配体对接、蛋白质复合物预测、翻译后修饰预测和DNA/RNA结构预测方面取得了显著进展。然而，它在RNA结构预测方面仍需改进。AlphaFold 3在预测共价修饰方面存在局限性，并可能产生幻觉。目前，AlphaFold 3在蛋白质修饰、DNA/RNA修饰、金属离子和配体方面存在一定限制。总体而言，尽管AlphaFold 3取得了重大进展，但仍需要进一步研究和努力来解决复杂问题。

蛋白质构象变化对生物功能至关重要。研究团队结合AlphaFold和ESMFold的新型采样方法，通过流匹配技术提供了一种观察和理解蛋白质构象空间的新视角。研究展示了AlphaFlow和ESMFlow在预测构象柔韧性和原子位置分布建模方面的卓越性能。