Robocikowo>ROBOCIKOWO
AlphaFold 3
Modele AI›AlphaFold

AlphaFold 3

3 · Rodzina: AlphaFold
Model AI opracowany przez Google DeepMind i Isomorphic Labs do przewidywania struktur 3D i interakcji biomolekuł: białek, DNA, RNA, ligandów, jonów i zmodyfikowanych reszt.
✓ Aktywny⏳ Ograniczony dostęp⚖ Open weightsNaukowe AIWyspecjalizowane AI📁 AlphaFold
Parametry
Nieujawnione publicznie
parametrów
Data premiery
8 maja 2024
🏢Google DeepMindProducent
Dostęp:HostedDownloadWdrożenie:☁ Cloud💻 Lokalnie

Przegląd

AlphaFold 3 to system AI opracowany przez Google DeepMind i Isomorphic Labs do przewidywania wspólnej struktury 3D kompleksów biomolekularnych. Model rozszerza wcześniejsze generacje AlphaFold poza same białka i potrafi modelować również DNA, RNA, ligandy, jony oraz wybrane modyfikacje chemiczne.

System został opisany w publikacji Nature w maju 2024. Według autorów wykorzystuje istotnie zaktualizowaną architekturę opartą na dyfuzji, zdolną do przewidywania całych kompleksów molekularnych, a nie tylko pojedynczych struktur białkowych.

AlphaFold 3 jest dostępny na dwa główne sposoby: poprzez webowy AlphaFold Server dla badań niekomercyjnych oraz poprzez kod inferencyjny i wagi modelu udostępniane do zastosowań akademickich na warunkach określonych przez Google DeepMind.

Zastosowania systemu obejmują biologię strukturalną, badania nad interakcjami białko-ligand, analizę kompleksów białko-DNA i białko-RNA, projektowanie leków, badania przeciwciał oraz generowanie hipotez eksperymentalnych do dalszej walidacji laboratoryjnej.

Klasyfikacja
Naukowe AIWyspecjalizowane AI
Rodzina: AlphaFold
Zastosowania
Asystent badawczyOdkrywanie lekówPrzewidywanie struktury białekBiologia strukturalnaBioinformatykaAnaliza interakcji biomolekularnychBadania nad przeciwciałamiBiologia obliczeniowa
Dostęp i wdrożenie
HostowanePobieranie
ChmuraLokalnie
Wagi: Open weights
Kluczowe parametry
🧩 Parametry: Nieujawnione publicznie
📥 Wejście: dane strukturalne

Specyfikacja techniczna

Parametry
Nieujawnione publicznie
parametrów
Licencja
Kod źródłowy: CC BY-NC-SA 4.0; wagi modelu: AlphaFold 3 Model Parameters Terms of Use (wyłącznie niekomercyjne, akademickie – na wniosek)
Wymagania sprzętowe
Minimalne: GPU z 16 GB VRAM (limit długości sekwencji 1280 tokenów); zalecane: NVIDIA A100 40 GB lub H100. Testy dokładności przeprowadzono wyłącznie na A100 i H100.
Modalności
⬇ Wejście (Input)
structured_data
⬆ Wyjście (Output)
3d_representationresearch_outputsstructured_data

Możliwości i zastosowania

Natywne możliwości modelu
Rozumowanie
Zdolność modelu do logicznego wnioskowania, analizowania zależności i wyprowadzania odpowiedzi na podstawie przesłanek.
Kategoria: reasoning
Wyjście ustrukturyzowane
Zdolność modelu do generowania odpowiedzi w uporządkowanej formie, np. JSON, list, tabel lub schematów.
Kategoria: structured_generation
Dziedziny zastosowań
Asystent badawczyOdkrywanie lekówPrzewidywanie struktury białekBiologia strukturalnaBioinformatykaAnaliza interakcji biomolekularnychBadania nad przeciwciałamiBiologia obliczeniowa

Wyniki benchmarków

8 benchmarków
DockQ
76.6%
PoseBusters
93.2%
PoseBusters V1 – protein-ligand docking (blind)
% PB-valid poses z ligand RMSD < 2 Å · PoseBusters benchmark (428 struktur protein-ligand z PDB ≤ 2021), tryb blind (bez informacji o kieszeni wiązania). Potwierdzony przez EBI: Chai-1 osiąga 77% (przy 76% dla AF3).
76%
📅 8 maj 2024📄 Abramson et al., Nature 630, 493–500 (2024); EBI AlphaFold training page
AlphaFold 3 jest pierwszym systemem AI, który przewyższył fizykochemiczne narzędzia docking na tym benchmarku. Wynik rośnie przy podaniu informacji o kieszeni wiązania.
PoseBusters – poprawa vs. najlepsze tradycyjne metody
Względna poprawa dokładności (PB-valid) względem najlepszej tradycyjnej metody (blind docking) · Porównanie z Vina i GOLD na zestawie PoseBusters V1; AlphaFold 3 bez użycia informacji strukturalnych o kieszeni.
+50%
📅 8 maj 2024📄 Isomorphic Labs blog (May 2024); Wikipedia AlphaFold
Claim pochodzi z oficjalnego ogłoszenia Isomorphic Labs i Google DeepMind. Niezależne analizy wskazują, że silniejsze narzędzia docking mogą zniwelować część tej przewagi.
CASP15 RNA – protein-nucleic acid accuracy
Interface LDDT; % struktur z RMSD < 2 Å · CASP15 zestaw RNA; AF3 porównywany z RoseTTAFold2NA i AIchemy_RNA. AIchemy_RNA2 (z interwencją ludzką) był nieznacznie lepszy.
wyższy niż RoseTTAFold2NA%
📅 8 maj 2024📄 Abramson et al., Nature 630, 493–500 (2024)
AlphaFold 3 przewyższa RoseTTAFold2NA na kompleksach białko-kwas nukleinowy; na RNA monomerach z CASP15 AIchemy_RNA2 z pomocą eksperta była nieco lepsza.
Protein monomer LDDT (Recent PDB eval set)
LDDT · Ocena monomerów białkowych na zestawie PDB nowszych niż data treningowa (cut-off 30.09.2021).
wyższy niż AlphaFold-Multimer v2.3
📅 8 maj 2024📄 Abramson et al., Nature 630, 493–500 (2024)
Poprawa lokalna nad AlphaFold 2; poprawa globalna jest ograniczona wg niezależnego benchmarkingu (PMC12661943).
Antibody-antigen prediction accuracy vs. AlphaFold-Multimer v2.3
DockQ / % poprawnych interfejsów · Zestaw ewaluacyjny Recent PDB; interfaces białko-przeciwciało.
znacząco wyższy%
📅 8 maj 2024📄 Abramson et al., Nature 630, 493–500 (2024)
Istotna poprawa statystyczna (p < 0.001) nad AlphaFold-Multimer v2.3.
Covalent modifications – bonded ligands success rate
% struktur z RMSD < 2 Å · Kowalentnie zmodyfikowane reszty białkowe i ligandy; zakres dokładności 40–80% w zależności od kategorii.
~80%
📅 8 maj 2024📄 Abramson et al., Nature 630, 493–500 (2024)
~40% dla zmodyfikowanych reszt RNA, ~80% dla ligandów kowalentnych.

Wdrożenie i bezpieczeństwo

🔒 Security / Enterprise
✓ Zweryfikowane informacje enterprise

Brak klasycznego publicznego pakietu enterprise/security w stylu SaaS. Google DeepMind opisuje natomiast odpowiedzialne udostępnienie AlphaFold 3, konsultacje z ekspertami ds. biosecurity oraz ograniczenia użycia niekomercyjnego.

Informacje security dotyczą głównie responsible release i ograniczeń użycia, a nie compliance enterprise typu SSO, SOC 2 czy data residency.
Aktualizacja: 15 mar 2026↗ Dokumentacja security

Źródła i powiązane strony

9 źródeł
LinkAlphaFold — Google DeepMindLinkAlphaFold 3 predicts the structure and interactions of all of life’s moleculesLinkgoogle-deepmind - alphafold3LinkAlphaFold ServerLinkAlphaFold 3 Model Parameters Terms of UsePaperAccurate structure prediction of biomolecular interactions with AlphaFold 3 – Nature 630, 493–500 (2024)BlogAlphaFold 3 predicts the structure and interactions of all of life's molecules – Isomorphic LabsDocsHow does AlphaFold 3 work? – EBI AlphaFold trainingPaperA comprehensive benchmarking of AlphaFold 3 – PMC12661943
Przeglądaj powiązane tematy
📁 AlphaFold🌐 Asystent badawczy🌐 Odkrywanie leków🌐 Przewidywanie struktury białek🌐 Biologia strukturalnaWszystkie modele scientific ai modelWszystkie modele specialized model