2020 年 11 月 30 日，Google 母公司 Alphabet 旗下专注于人工智能的子公司 DeepMind 宣告他们朝着办理生物学上最大的寻衅之一迈出了巨大的飞跃：预测精确的 3D基于蛋白质组成的一维氨基酸序列的构造。

这引起了环球科学界极大的兴趣，但专家们一贯在等待经由同行评审的科学出版物。

该 AI 方法现已揭橥在顶级期刊《自然》上。

紧随其后的是 DeepMind 和欧洲分子生物学实验室、欧洲生物信息学研究所 (EMBL-EBI) 的互助者揭橥的第二篇《自然》论文，该论文报告了最新的运用AlphaFold 机器学习系统可大规模预测险些全体人类蛋白质组的 3D 构造——98.5% 的人类蛋白质。

DeepMind 于 2010 年在英国成立，其网站上的一份声明称：“我们的长期目标是办理智能问题，开拓更通用、更有能力的问题办理系统，称为通用人工智能 (AGI)。
”

DeepMind 通过利用其 AI 方法击败专业围棋冠军，并从头开始学习 49 种不同的 Atari 游戏——仅基于屏幕上的像素和分数，从而产生了初步影响。

DeepMind 的意图是将这些游戏寻衅作为开拓办理现实天下重大问题的办理方案的根本。

事实上，DeepMind 的 AI 技能已成功运用于生物医学领域——例如，通过眼部扫描识别视网膜疾病的早期迹象，以及通过乳房 X 光检讨创造乳腺癌。

该公司的计策是利用称为机器学习和神经网络的前辈人工智能方法来支持其预测。

作为另一个现实天下的重大生物医学寻衅，DeepMind 决定将把稳力集中在我们根据氨基酸的线性聚合序列预测准确的 3D 蛋白质构造的能力上进行改进 - 这些氨基酸在我们的基因中编码并排列，就像绳子上的珠子一样。

在理解 DeepMind 最新版本的 AlphaFold 取得了什么成果之前，我们须要考虑为什么能够预测不同蛋白质折叠成的不同 3D 折叠构造是如此主要。

很大略，这是由于：蛋白质实行生命所需的紧张生物学功能——例如，催化生化反应、识别传染或使肌肉紧缩。
理解蛋白质的 3D 形状也就变得很主要，由于构造决定功能是生物学的基本事理，就像一件家具（例如椅子、桌子或床）的设计和形状决定其利用办法一样.

总的来说，蛋白质分为两个紧张的构造种别：球状蛋白质，它是紧凑的、球形的和可溶的，其他的则是苗条的、纤维状的和不可溶的。

在这些广泛的种别中，单个蛋白质折叠成独特的形状，其确切细节定义了它们实行的事情。
因此，确定给定蛋白质的精确 3D 构造是理解它如何在细胞和体内发挥浸染的关键部分——因此对付理解生命本身的分子根本至关主要。

此外，除了能够预测蛋白质构造对付我们对生命的基本分子理解的主要性之外，还有巨大的实际好处——例如在理解和治疗疾病以及设计实用的蛋白质方面在生物技能行业。