NVIDIA、Google DeepMind、歐洲分子生物學(xué)實(shí)驗(yàn)室下屬歐洲生物信息學(xué)研究所（EMBL-EBI）以及首爾大學(xué) Steinegger 實(shí)驗(yàn)室，對(duì) AlphaFold 蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)進(jìn)行了大規(guī)模擴(kuò)展，為可搜索數(shù)據(jù)庫(kù)新增了 170 萬(wàn)個(gè)高置信度預(yù)測(cè)的蛋白質(zhì)復(fù)合物，并提供約 3000 萬(wàn)個(gè)額外預(yù)測(cè)結(jié)構(gòu)供批量下載。

這一新增數(shù)據(jù)集是同類(lèi)中規(guī)模最大的，使該數(shù)據(jù)庫(kù)成為一個(gè)能夠在前所未有規(guī)模下開(kāi)展蛋白質(zhì)相互作用建模的綜合資源平臺(tái)。

Google DeepMind 的 AlphaFold-Multimer 模型為數(shù)據(jù)庫(kù)提供了 AI 預(yù)測(cè)生成的蛋白質(zhì)結(jié)構(gòu)。同時(shí)，通過(guò)在 OpenFold 推理流程中集成了包括 NVIDIA TensorRT 和 cuEquivariance 在內(nèi)的 NVIDIA 計(jì)算庫(kù)，推理速度相較傳統(tǒng)方法提升超過(guò) 100 倍。

該數(shù)據(jù)庫(kù)提供這些預(yù)先計(jì)算的蛋白質(zhì)結(jié)構(gòu)形式作為研究假設(shè)，從而加速新藥靶點(diǎn)發(fā)現(xiàn)和疾病機(jī)制研究中的實(shí)驗(yàn)驗(yàn)證過(guò)程。這大幅降低了科研門(mén)檻，尤其有助于那些缺乏先進(jìn)超級(jí)計(jì)算資源的低資源環(huán)境研究人員開(kāi)展相關(guān)研究。

該項(xiàng)目?jī)?yōu)先聚焦參考蛋白質(zhì)組，即代表物種分類(lèi)多樣性的蛋白集合，以及世界衛(wèi)生組織重點(diǎn)關(guān)注的病原體名單，以推動(dòng)傳染病研究。

對(duì)于制藥行業(yè)而言，這些預(yù)測(cè)結(jié)構(gòu)可作為強(qiáng)有力的初始假設(shè)，大幅加速后續(xù)濕實(shí)驗(yàn)進(jìn)程，節(jié)省寶貴的時(shí)間與資源。