今年，DeepMind计划发布总计超过1亿个结构预测。这几乎是所有已知蛋白质的一半，是蛋白质数据库 (PDB)结构库中实验确定的蛋白质数量的数百倍。
伦敦癌症研究所的计算生物学家Norman Davey表示，AlphaFold识别疾病的能力已经改变了他研究这些区域特性的工作，“我们的预测质量立即有了巨大的提高，而我们没有付出任何努力。”
2021年12月，Baker和他的同事报告说，在细菌中表达了129种这些幻觉蛋白，并发现其中约五分之一折叠成类似于其预测形状的东西。“这确实是第一次证明你可以使用这些网络设计蛋白质。”Baker说。他的团队现在正在使用这种方法来设计做有用事情的蛋白质，例如催化特定的化学反应，方法是指定负责所需功能的氨基酸，并让AI“梦想”其余部分。
蛋白质“幻觉”的四个例子。在每种情况下，AlphaFold都会显示一个随机氨基酸序列，预测结构并更改序列，直到软件有把握地预测它将折叠成具有明确3D形状的蛋白质。颜色显示预测置信度（从红色表示非常低的置信度，通过黄色和浅蓝色到深蓝色表示非常高的置信度）。
基因组网关：人类核孔复合体的两种视图显示它如何嵌入核膜
AlphaFold的限制：预测蛋白质新突变的后果
对于AlphaFold取得的所有进展，科学家们表示，重要的是要清楚它的局限性，特别是因为不专门预测蛋白质结构的研究人员也在使用它。
尝试将AlphaFold应用于破坏蛋白质自然结构的各种突变，包括与早期乳腺癌相关的突变，已被证实该软件无法预测蛋白质新突变的后果，因为没有进化相关的序列可供检查。
AlphaFold团队现在正在考虑如何设计神经网络来处理新的突变。Jumper预计这将需要网络更好地预测蛋白质如何从展开状态变为折叠状态。哥伦比亚大学计算生物学家Mohammed AlQuraishi说，这可能需要仅依靠它所学到的蛋白质物理学知识即可预测结构的软件。“我们感兴趣的是，在不使用进化信息的情况下从单个序列进行预测，”他说，“这是一个关键问题，但仍然悬而未决。”
AlphaFold还旨在预测单个结构。但是许多蛋白质具有多种构象，这对其功能可能很重要。“AlphaFold不能真正处理可以采用不同构象的不同结构的蛋白质。”Schueler-Furman说。预测是针对孤立结构的，而许多蛋白质与配体（如DNA和RNA）、脂肪分子和矿物质（如铁）一起发挥作用。“我们仍然缺少配体，我们缺少关于蛋白质的其他一切。”Elofsson说。
AlQuraishi认为，开发这些下一代神经网络将是一个巨大的挑战。AlphaFold依赖于数十年的研究，这些研究产生了网络可以学习的蛋白质实验结构。目前无法获得如此大量的数据来捕捉蛋白质动力学，或者蛋白质可以与之相互作用的数万亿个小分子的形状。Jumper补充说，蛋白质数据库包括蛋白质与其他分子相互作用时的结构，但这仅捕获了一小部分化学多样性。
AlphaFold革命的终点在哪里，谁也说不准。“事情变化太快了，”Baker说，“即使是下一年，我们也将看到使用这些工具取得的重大突破。”EMBL-EBI的计算生物学家Janet Thornton认为，AlphaFold的最大影响之一可能只是说服生物学家对计算和理论方法的见解更加开放，“对我而言，革命就是思维方式的改变”。
AlphaFold革命激发了Kosinski的远大梦想，他认为受AlphaFold启发的工具不仅可用于对单个蛋白质和复合物进行建模，还可以对整个细胞器甚至细胞进行建模，直至单个蛋白质分子的水平，“这是我们未来几十年的梦想。”
校对：丁晓
