AlphaFold 3

Google DeepMind / Isomorphic Labs 的统一扩散模型，可预测蛋白质、核酸、小分子和离子的联合三维结构。

1. 核心产品 / 服务

AlphaFold 3（Abramson 等，Nature 2024）是一个统一的深度学习模型，可联合预测涵盖蛋白质、核酸、小分子配体、离子和修饰残基的复合物结构——相比 AlphaFold 2 仅限蛋白质的范围有了重大扩展 [1]。在架构上，它用一个直接作用于原始原子坐标的扩散模块取代了 AF2 的等变结构模块，不使用旋转坐标系或等变处理——这是一次引人注目的押注：用数据规模替代硬编码的对称性 [1]。输入为聚合物序列加配体 SMILES；模型配有置信度头，并针对检索数据库（PDB、MGnify、UniRef 等）运行。

2. 目标用户与痛点

结构生物学家、药物发现与计算化学团队——他们此前需要把蛋白质折叠、对接和核酸建模等不同工具拼接起来。AF3 把这些整合进一个模型，并直接解决蛋白质—配体和蛋白质—核酸相互作用的预测——这正是药物设计的关键一步。使用方式为 AlphaFold Server（非商业用途）以及面向学术用途发布的模型权重 / 代码。

3. 竞争格局

据报道，AF3 在其报告的基准上大幅优于经典对接工具（如 Vina）和此前的专用方法 [1]。开放的复现项目（Boltz、Chai）此后已缩小了获取门槛上的差距。

4. 独立观察

基于坐标的扩散设计是被引用最多的结构选择——它是更广泛的 ai-for-science 等变性之争中"规模胜过等变性"最清晰的一个数据点。AF3 同时也是一个用于预测的生成式模型，模糊了 aifs-biology 所追踪的"预测 vs 设计"的界线（RFdiffusion 等位于同一扩散工具箱的设计一侧）。一个已知的局限：生成式模型可能在无序区域幻觉出看似合理但实际错误的结构，下游用户必须借助置信度输出进行过滤。

5. 财务 / 融资

并非独立的商业实体。由 Google DeepMind 与 Isomorphic Labs（DeepMind 的药物发现分拆公司）共同开发；商业化通过 Isomorphic 的药企合作进行，而非 AF3 自身的产品损益表。

6. 团队与关系

• 由 Google DeepMind + Isomorphic Labs 开发；主要作者包括 Josh Abramson、John Jumper 等。
• John Jumper 与 Demis Hassabis 因 AlphaFold 相关工作共同获得 2024 年诺贝尔化学奖。
• 相关：gnome（DeepMind 在材料领域的对应项目）、ai-for-science、aifs-biology。

来源

• [1] Abramson 等，《Accurate structure prediction of biomolecular interactions with AlphaFold 3》，Nature s41586-024-07487-w（2026-06-14）
• google-deepmind/alphafold3 GitHub —— 推理代码 + 权重（2026-06-14）