谷歌DeepMind发布AlphaFold 3.1，蛋白质-小分子相互作用预测精度再创新高
2026年2月11日，谷歌DeepMind发布了AlphaFold 3.1版本，这是继去年AlphaFold 3之后的一次重大更新。新版本在预测蛋白质与多种小分子（包括药物、代谢物、离子）的相互作用方面实现了显著突破，其预测精度在多个基准测试中比上一版本平均提升了18%。DeepMind团队在《自然》杂志上发表了相关论文，并开源了模型的推理代码和部分权重。这一进展被业界认为是AI驱动药物发现领域的关键里程碑，有望将早期药物筛选的周期缩短数月。
🎯 核心内容
2026年2月11日，谷歌DeepMind正式发布了AlphaFold 3.1版本。该版本的核心突破在于其对蛋白质与多种生物分子复合物结构的预测能力，特别是蛋白质与药物小分子、核酸、离子等配体的相互作用。AlphaFold 3.1基于其前身AlphaFold 3的扩散模型架构，但通过引入新的训练策略和更高质量的数据集，显著提升了预测的准确性和泛化能力。DeepMind团队在论文中公布了详细的基准测试结果，显示其在蛋白质-小分子对接任务上的均方根偏差（RMSD）平均降低了1.2埃，这对于药物发现中的“命中”化合物识别至关重要。模型已通过其姊妹公司Isomorphic Labs应用于多个内部药物研发管线。
🔬 技术细节
AlphaFold 3.1延续了基于扩散模型的架构，但在多个层面进行了优化。首先，训练数据方面，团队构建了一个名为“BioAssemble”的超大规模多模态数据集，包含了超过1.2亿个经过实验验证的蛋白质结构及其配体复合物，数据量是AlphaFold 3训练集的1.5倍。其次，模型引入了“几何感知注意力”机制，能够更精确地建模蛋白质口袋与配体之间的空间和化学互补性。在参数规模上，模型参数量约为70亿，比AlphaFold 3略有增加。性能指标显示，在PDBbind核心集上，其预测结合构象的RMSD中位数达到1.8埃，Top-1预测成功率（RMSD < 2.0埃）达到78%，远超传统分子对接软件（通常为20%-40%）。
💡 关键亮点
- 精度飞跃：在预测蛋白质与药物分子结合模式方面，精度比主流商业软件（如薛定谔Glide）高出30%以上，为虚拟筛选提供了前所未有的可靠工具。
- 范围扩展：不仅能预测蛋白质与小分子的相互作用，还能高精度预测蛋白质与金属离子、辅因子、修饰基团（如磷酸化、糖基化）的复合结构，覆盖了更广泛的化学生物学场景。
- 开源策略：DeepMind此次开源了完整的模型推理代码和经过预训练的部分权重（针对常见靶点家族），学术界和非营利组织可以免费使用，这极大地降低了AI制药的门槛。
🌍 行业影响
AlphaFold 3.1的发布在生物技术和制药行业引发了强烈反响。传统上，通过实验（如X射线晶体学、冷冻电镜）确定蛋白质-药物复合物结构耗时且昂贵。AlphaFold 3.1的高精度预测能力有望将这一过程的“计算筛选”阶段效率提升数倍。多家大型药企（如辉瑞、诺华）已宣布将评估并整合该技术进入其AI药物发现平台。同时，这也加剧了AI制药领域的竞争，例如，竞争对手如英伟达的BioNeMo、薛定谔的ML平台以及众多初创公司（如Recursion, Insitro）将面临更大的技术追赶压力。市场分析机构预测，到2027年，AI在药物发现领域的市场规模将因类似技术的成熟而突破200亿美元。
🔮 未来展望
DeepMind表示，AlphaFold 3.1是其“数字生物学”愿景的又一关键步骤。未来的研发方向将集中在几个方面：一是提升对动态构象变化和变构效应的预测能力，使模型能模拟药物结合过程中的蛋白质运动；二是将预测范围扩展到更复杂的生物系统，如蛋白质-膜相互作用、多亚基复合物组装等；三是与湿实验更紧密地结合，开发“AI指导实验”的闭环工作流。可以预见，AI预测与自动化机器人实验的结合，将催生下一代高通量、智能化的生物实验室。