Page 233 - 信息的脉络

·第三部分·
结构不可用时将使用 AlphaFold 的模型。通过将目标蛋白与类似蛋白的 AlphaFold

模型进行比较分析，可用于产生效果更佳的药物，例如具有更少毒副作用的药物。
（2）识别致病变异
结构数据有助于识别人类的致病变异，也就是那些导致疾病的变异。当前的
挑战是在个体基因组中观察到的许多变异中找出这些致病性变异（如在发育性疾

病或癌症进展中）。
（3）识别病原体中的药物靶点
AlphaFold 已经在与“被忽视疾病药物倡议”等组织和其他合作伙伴合作。来

自病原体（如病毒、细菌和真菌）的蛋白质结构可用于评估药物的成药性以及可
能与人类蛋白质的交叉反应，并帮助设计针对多种病原体的药物。在感染源中确
定药物靶点可能是短期内最容易实现的目标。
（4）加强疫苗和抗体设计

随着 COVID-19 大流行和 SARS-CoV-2 疫苗的开发，对抗原刺突蛋白结构的
了解有助于了解病毒的表面拓扑结构及其抗原性。
AlphaFold 技术融合了大数据、人工智能、生物学等交叉学科知识，采用生物

研究、临床实践获得的数据来训练人工智能模型，通过模型预测结果和实际进行
对比检验，不断提升模型对蛋白质等小分子结构的预测能力来指导一线的药物研
发、治病变异识别等。
AlphaFold 的蛋白质结构预测在医学上的影响可能是巨大的，AlphaFold 很有
可能只是生物学和医学领域基于数据驱动预测革命的开始。尽管目前的 AlphaFold

预测仅限于单个蛋白质链，并没有提供与其他分子相互作用的明确信息，但新的
基于人工智能的工具可以预测蛋白质组之间的这种相互作用——深入研究不同细
胞类型中的不同复合物，这些复合物随着环境和时间的变化而变化。从长远来看，

人工智能方法将被开发并应用于蛋白质结构的许多方面，以提高可预测性。
科学家认为，科学发展的大方向已经默默地转向，我们想要做的，不再是
17—19 世纪那样，“做一些实验以总结出一条线性关系，然后得到一个基本原理”
这样一个过程，而是更多着重于研究简单原理间的相互组合，研究由于这种组合

而涌现出的大量新奇结构、特性和行为，找到规律并利用它为人类服务。而不论
底层的原理为何，能以高效的方式，把这种对于结构的认知，抽象成各种模式的
自动化识别和匹配，就是人工智能。
AlphaFold 会让许多生物学家思考要怎样利用这么多结构和可以轻松得到的更

多结构。DeepMind 首席执行官 DemisHassabis 说：“我真的以为这是我们做过的
最厉害的事，我是指在现实影响力方面。”

• 217 •