“如果你認為AI進展放緩，蛋白斷癌點望那只是質A癥靶因為你對它關注不夠。”2024年9月5日一大早，成模谷歌AI Studio產品總監Logan Kilpatrick在社交媒體上發了一條推文。布阻
當天，蛋白斷癌點望谷歌DeepMind團隊發布蛋白質AI生成模型AlphaProteo，質A癥靶可為多種靶蛋白生成新的成模蛋白結合劑，幫助科學家更好地理解生物系統是布阻如何運作的，節約研究時間，蛋白斷癌點望加快藥物的質A癥靶設計研發等。
這是成模首個用于設計新型高強度蛋白質粘合劑（Protein Binder）的AI模型，也是布阻谷歌從2017年起陸續推出AlphaFold系列生物學預測工具以來，在蛋白質結構預測之外為生物學界帶來的蛋白斷癌點望又一個突破性的AI工具。
AlphaFold 1 在2018年第13屆蛋白質結構預測技術關鍵評估（CASP）中獲得最高分，質A癥靶一鳴驚人；AlphaFold 2 2020年在CASP上以高于90%的成模準確率，再次將其他選手遠遠甩在身后；2023年，Alphafold-latest進一步預測蛋白質結構的能力泛化到核酸、任意小分子配體等其他的生物分子結構的預測上；2024年5月，AlphaFold 3可預測“幾乎所有分子類型”的蛋白質復合物結構，并在預測藥物相互作用上實現了前所未有的準確性。
這些工具，已經在科學界廣泛使用開來。比如，2024年9月4日，《自然》（Nature）刊發英國MRC-格拉斯哥大學和澳大利亞悉尼大學科研團隊成果，他們利用AlphaFold和ESMFold成功預測了黃病毒科數百種病毒的蛋白質結構，包括導致登革熱、寨卡病毒和丙型肝炎等疾病的病原體，揭示了病毒如何進入體內并在細胞中復制的關鍵進入機制，不僅為疫苗開發鋪平了道路，還為應對當前Mpox等病毒的威脅和防范未來的大流行病等提供了基礎。
AlphaFold可以幫助科研人員深入了解了蛋白質如何相互作用以發揮其功能，但無法創建新的蛋白質來直接操縱這些相互作用。科學家已經創造出成功結合目標分子的新型蛋白質，但這種蛋白質設計機器學習方法依然十分費力，仍需大量的實驗測試。
AlphaProteo的訓練數據，包括全球結構生物學界科學家們多年積累的蛋白質數據庫（PDB）中的蛋白質數據，以及AlphaFold中的1億多個預測結構，從而了解分子之間結合的方式，只要給定目標分子結構和首選結合位置，就能生成在這些位置與目標分子結合的候選蛋白質。
具體來看，AlphaProteo可為多種靶蛋白生成新的蛋白結合劑，包括與癌癥和糖尿病并發癥相關的VEGF-A（血管內皮生長因子A）。在團隊測試的七種目標蛋白質上，AlphaProteo實現了更高的結合成功率，并且比現有方法提高了3-300倍的結合親和力。
例如，病毒蛋白BHRF1這一特定靶標在濕實驗室測試時，88%的候選分子都能成功結合。根據測試目標，AlphaProteo的結合強
