DeepMind’s AlphaFold3预测的蛋白质结构助力新药研发，与实验结构对比筛选效果显著”

近日，一项关于人工智能工具AlphaFold在新药研发中的应用研究引起了广泛关注。研究人员发现，虽然AlphaFold无法完全替代实验，但其预测的蛋白质结构在筛选潜在药物方面具有重要作用，特别是在抗抑郁药和新药研发领域。

AlphaFold是由总部位于英国伦敦的DeepMind公司开发的人工智能工具，自2020年推出以来，已经改变了人们对于蛋白质及其相互作用的理解。然而，一些科学家对其预测的蛋白质结构的实用性产生了质疑。针对这个问题，美国北卡罗来纳大学教堂山分校的药理学家布莱恩·罗斯和加州大学旧金山分校的药物化学家布莱恩·斯科特领导的研究团队对此进行了调查。他们对数十万种潜在的新迷幻分子进行了预测，并发现AlphaFold在新药研发中的能力不容忽视。

为了更好地了解AlphaFold在药物发现领域的作用，研究人员采用了一种称为“蛋白质-配体对接”的方法，这是一种基于计算机模拟的技术，用于预测化合物与特定蛋白质之间的相互作用。在过去的研究中，这种方法的准确性受到了一定程度的质疑。然而，罗斯和斯科特团队发现，AlphaFold在蛋白质-配体对接建模方法中识别潜在药物时的表现优于传统的实验方法。

在具体研究中，研究团队首先使用AlphaFold预测了两种精神疾病相关蛋白质的结构。然后，他们将预测得到的结构与现有的药物进行了对比，发现两者的结构相似之处较多。接下来，他们使用这两种蛋白质的实验结构来进行虚拟筛选，共得到了数百种最具潜力的化合物。最后，研究团队对这些化合物进行了实验室测试，结果表明AlphaFold预测的蛋白质结构确定的化合物具有较高的活性。

尽管AlphaFold预测的蛋白质结构和实验衍生的蛋白质结构在筛选药物方面存在差异，但它们的命中率几乎相同。此外，AlphaFold预测的蛋白质结构还揭示了能够有效激活血清素受体的化合物，如“迷幻药之王”LSD。因此，这种预测结构筛选出的化合物可能成为抗抑郁新药的重要资源。

然而，研究人员强调，预测结构并非适用于所有药物靶点。简·卡尔森教授团队的计算化学研究发现，AlphaFold在识别热门靶点G蛋白偶联受体药物方面的预测效果较好，但相关论文尚待发表。此外，AlphaFold在预测蛋白质结构方面的准确性受到数据质量的影响，这也是未来研究的挑战之一。

此外，研究人员还对AlphaFold在药物发现领域的应用前景进行了深入讨论。一方面，AlphaFold的出现为药物研发带来了革命性的变革，极大地提高了药物研发的速度和效率。另一方面，研究人员也意识到，预测结构并非药物发现的“金标准”，实验仍然是必不可少的环节。

总之，尽管AlphaFold无法完全取代实验在新药研发中的作用，但其在预测蛋白质结构方面的优势使其在新药筛选等领域具有广泛应用前景。研究人员将继续探索AlphaFold在其他药物靶点上的预测能力，并努力克服其局限性，以期为药物发现带来更高效的方法。同时，也需要注意到，实验方法和预测结构各有优缺点，未来的药物研发工作将在多种方法的综合运用下取得更好的成果。