DeepMind创始人兼执行官Demis Hassabis在《Nature》期刊上分享AlphaFold的开源代码，并发表了系统的完整方法，详尽细致说明AlphaFold是如何做到精确预测蛋白质3D结构的。

更加令人振奋的是，在AlphaFold2开源仅仅一周后，DeepMind震撼公布了AlphaFold数据集。开放的数据集不仅包括人类蛋白质组，还有大肠杆菌、酵母、果蝇、小鼠、水稻、拟南芥等模式物种在内的20多种物种的大部分蛋白的预测结构，总计超过35万个蛋白质的结构。DeepMind还与欧洲生物信息研究所（EMBL-EBI）合作建立了一个平台—AlphaFold DB（AlphaFold蛋白质结构数据库），将他们的预测结果免费开放给公众，AlphaFold2模型的目标是为所有具有已知序列的蛋白提供预测结构。DeepMind计划在年底将预测数量增加到1.3亿个。EMBL-EBI主任Ewan Birney博士将其称之为“继人类基因组图谱之后最重要的数据集”。

数十年的时间里，研究人员一直在用X射线晶体学和冷冻电镜这类实验技术解析蛋白质结构。但是，这类方法存在费时耗钱的问题，对一些蛋白也不适用。为满足科研工作者对于蛋白与多肽设计，高效的抗体定制以及蛋白结构与功能分析等需求，索莱宝紧跟科技前沿，深入解析这个基于神经网络的新模型AlphaFold2。AlphaFold2不仅可以做到精确预测蛋白质3D结构，而且准确度能达到原子水平。AlphaFold2不仅达到了空前的准确度，还远超解析新蛋白质结构的其他方法。现小编和大家一起，初步体验AlphaFold2在蛋白结构预测中带来的这份快乐。

◆ 点击（https://www.alphafold.ebi.ac.uk/）；

◆ 在Search栏输入蛋白名称、UniProt号或基因ID，比如：植物蛋白PHYB；

◆ 在左边选择目标物种，就可以显示该物种中的PHYB蛋白，比如选择“Oryza sativa subsp. Japonica”，就可以显示水稻的PHYB蛋白；

◆ 点击进去，就会显示PHYB的预测结构，其中不同颜色代表不同的预测可信度。蓝色越深，可信度越高，橙色越深，可信度越低。可以看出，PHYB的预测结构具有很高的可信度，结构的细节也可以点击图片进一步查看；

在Uniprot数据库，并没有提供这一蛋白的可以利用的结构注释信息（见下图）。

使用SWISS-MODEL建模预测蛋白结构（见下图），通常需要花费很长时间（短则10分钟，长则数小时），且预测的结构完整度受限于同源蛋白的相似度（很多时候仅有部分蛋白片段给出预测结果）。

评论：

AlphaFold可以看到蛋白的预测结构，并且将待预测蛋白的全序列结构描摹出来。据报道AlphaFold2的神经网络能在几分钟内预测出一个典型蛋白质的结构，还能预测较大蛋白质（比如一个含有2180个氨基酸、无同源结构的蛋白质）的结构。