ألفافولد

📅 آخر تحديث: ٢٣ يوليو ٢٠٢٦
✍️ نُشر في: ٢٣ يوليو ٢٠٢٦
📷 يحتوي على 6 صور
الموسوعة الحرة
البنية المتوقعة لـ AlphaFold لبوليميراز الحمض النووي الريبي T1044 في كل طبقة من طبقات الشبكة [ 1 ]

ألفافولد هو برنامج ذكاء اصطناعي طورته شركة ديب مايند ، وهي شركة تابعة لشركة ألفابت ، ويقوم بتوقع بنية البروتين . [ 2 ] وقد صُمم باستخدام تقنيات التعلم العميق . [ 3 ]

احتل برنامج AlphaFold 1 (2018) المركز الأول في التصنيفات العامة للتقييم النقدي الثالث عشر لتوقع البنية (CASP) في ديسمبر 2018. وقد حقق نجاحًا خاصًا في توقع أكثر الهياكل دقة للأهداف التي صنفها منظمو المسابقة على أنها الأكثر صعوبة، حيث لم تكن هناك هياكل نموذجية متاحة من البروتينات ذات التسلسلات المتشابهة جزئيًا.

كرر برنامج AlphaFold 2 (2020) هذا الإنجاز في مسابقة CASP14 في نوفمبر 2020. [ 4 ] وقد حقق مستوى دقة أعلى بكثير من أي برنامج آخر. [ 3 ] [ 5 ] وسجل البرنامج أكثر من 90 نقطة في اختبار المسافة العالمية (GDT) الخاص بـ CASP لما يقرب من ثلثي البروتينات، وهو اختبار يقيس التشابه بين البنية المتوقعة حاسوبيًا والبنية المحددة تجريبيًا، حيث يمثل 100 تطابقًا تامًا. [ 3 ] [ 6 ] وقد أدى إدراج بيانات الميتاجينوم إلى تحسين جودة التنبؤ بمحاذاة التسلسلات المتعددة . وكان من أكبر مصادر بيانات التدريب قاعدة بيانات Big Fantastic Database المصممة خصيصًا، والتي تضم 65,983,866 عائلة بروتينية، ممثلة بمحاذاة التسلسلات المتعددة ونماذج ماركوف المخفية ، وتغطي 2,204,359,010 تسلسلًا بروتينيًا من قواعد البيانات المرجعية والميتاجينومات والميتا ترانسكريبتومات. [ 7 ]

وُصفت نتائج برنامج AlphaFold 2 في مؤتمر CASP14 بأنها "مذهلة" [ 8 ] و"تحويلية" [ 9 ] . ومع ذلك، لاحظ بعض الباحثين أن دقة البرنامج لم تكن كافية لثلث تنبؤاته، وأنه لم يكشف عن الآلية أو القواعد الأساسية لطي البروتين في مشكلة طي البروتين ، التي لا تزال دون حل [ 10 ] [ 11 ] .

على الرغم من ذلك، حظي الإنجاز التقني بتقدير واسع. في 15 يوليو 2021، نُشرت ورقة بحثية حول AlphaFold 2 في مجلة Nature كمنشور مُسبق الوصول، إلى جانب برمجيات مفتوحة المصدر وقاعدة بيانات قابلة للبحث لبروتينات الأنواع . [ 7 ] [ 12 ] [ 13 ] وبحلول نوفمبر 2025، تم الاستشهاد بالورقة البحثية ما يقرب من 43000 مرة. [ 14 ]

أُعلن عن برنامج AlphaFold 3 في 8 مايو 2024. وهو قادر على التنبؤ ببنية المركبات التي تُشكلها البروتينات مع الحمض النووي DNA ، والحمض النووي RNA ، والعديد من الروابط ، والأيونات . [ 15 ] [ 16 ] تُظهر طريقة التنبؤ الجديدة تحسنًا بنسبة 50% على الأقل في دقة التنبؤ بتفاعلات البروتينات مع الجزيئات الأخرى مقارنةً بالطرق الحالية. [ 17 ]

تقاسم ديميس هاسابيس وجون جامبر نصف جائزة نوبل في الكيمياء لعام 2024 ، والتي مُنحت "لإسهاماتهما في التنبؤ ببنية البروتين"، بينما ذهب النصف الآخر إلى ديفيد بيكر "لإسهاماته في تصميم البروتينات باستخدام الحاسوب". [ 18 ] وكان هاسابيس وجامبر قد فازا سابقًا بجائزة الاختراق في علوم الحياة وجائزة ألبرت لاسكر للبحوث الطبية الأساسية في عام 2023 لجهودهما القيادية في مشروع ألفافولد. [ 19 ] [ 20 ]

خلفية

ثلاث سلاسل ببتيدية فردية بمستويات طي مختلفة ومجموعة من السلاسل
تتشكل البروتينات من خلال طي سلاسل الأحماض الأمينية، المعروفة باسم عديدات الببتيد .

تتكون البروتينات من سلاسل من الأحماض الأمينية التي تنطوي تلقائيًا لتشكل البنية ثلاثية الأبعاد للبروتينات. وتُعد البنية ثلاثية الأبعاد ضرورية لفهم الوظيفة البيولوجية للبروتين.

يمكن تحديد بنية البروتينات تجريبياً باستخدام تقنيات مثل علم البلورات بالأشعة السينية ، والمجهر الإلكتروني فائق البرودة ، والرنين المغناطيسي النووي (NMR)، وهي جميعها تقنيات مكلفة وتستغرق وقتاً طويلاً. [ 21 ] وقد أسفرت هذه الجهود، باستخدام الأساليب التجريبية، عن تحديد بنية حوالي 170,000 بروتين على مدى الستين عاماً الماضية، في حين يوجد أكثر من 200 مليون بروتين معروف في جميع أشكال الحياة. [ 6 ]

على مر السنين، استخدم الباحثون العديد من الأساليب الحسابية للتنبؤ بالبنية ثلاثية الأبعاد للبروتينات انطلاقًا من تسلسل الأحماض الأمينية، وتقترب دقة هذه الأساليب، في أفضل الأحوال، من دقة التقنيات التجريبية (مثل الرنين المغناطيسي النووي) باستخدام نمذجة التماثل القائمة على التطور الجزيئي. وقد وجدت مسابقة CASP ، التي انطلقت عام 1994 لتحدي المجتمع العلمي لتقديم أفضل تنبؤات لبنية البروتين، أنه بحلول عام 2016، لم تتجاوز درجات GDT حوالي 40 من 100 حتى لأصعب البروتينات. [ 6 ] وبدأ برنامج AlphaFold المنافسة في مسابقة CASP عام 2018 باستخدام تقنية التعلم العميق للذكاء الاصطناعي . [ 21 ]

الخوارزمية

من المعروف أن شركة DeepMind درّبت البرنامج على أكثر من 170,000 بنية بروتينية من بنك بيانات البروتين ، وهو مستودع عام لتسلسلات وبنى البروتينات. يستخدم البرنامج نوعًا من شبكات الانتباه ، وهي تقنية تعلّم عميق تركز على جعل الذكاء الاصطناعي يحدد أجزاءً من مشكلة أكبر، ثم يجمعها معًا للوصول إلى الحل الكامل. [ 3 ] أُجري التدريب الكامل على قوة معالجة تتراوح بين 100 و200 وحدة معالجة رسومية (GPU) . [ 3 ]

ألفافولد 1 (2018)

بُني برنامج AlphaFold 1 (2018) على أعمالٍ طوّرتها فرقٌ مختلفةٌ خلال العقد الماضي، حيثُ درست قواعد البيانات الضخمة لتسلسلات البروتينات المتشابهة، والمتاحة حاليًا من كائناتٍ حيةٍ عديدة (معظمها بدون بنى ثلاثية الأبعاد معروفة)، وذلك في محاولةٍ لاكتشاف التغيرات في بقايا الأحماض الأمينية المختلفة (الببتيدات) التي بدت مترابطة، حتى وإن لم تكن هذه البقايا متتاليةً في السلسلة الرئيسية. تشير هذه الترابطات إلى أن البقايا قد تكون متقاربةً فيزيائيًا، حتى وإن لم تكن متقاربةً في التسلسل، مما يسمح بتقدير خريطة التلامس . واستنادًا إلى أعمالٍ حديثةٍ قبل عام 2018، وسّع برنامج AlphaFold 1 نطاق هذا العمل من خلال تقدير توزيع احتمالي للمسافات بين البقايا، محوّلًا بذلك خريطة التلامس إلى خريطة مسافة. كما استخدم البرنامج أساليب تعلّمٍ أكثر تطورًا من ذي قبل لتطوير الاستدلال. [ 22 ] [ 23 ] لم يُنشر البرنامج للعموم، باستثناء استخدامه لتشغيل تسلسلات البروتينات في مسابقة CASP لعام 2018.

ألفافولد 2 (2020)

أداء AlphaFold 2 والتجارب والبنية [ 24 ]
التفاصيل المعمارية لـ AlphaFold 2 [ 24 ]

يختلف إصدار برنامج 2020 ( ألفافولد 2 ، 2020) اختلافاً كبيراً عن الإصدار الأصلي الذي فاز بمسابقة CASP 13 في عام 2018، وفقاً لفريق ديب مايند. [ 25 ] [ 26 ]

استخدم نموذج AlphaFold 1 عددًا من الوحدات المدربة بشكل منفصل لإنتاج جهد توجيهي، والذي تم دمجه لاحقًا مع جهد طاقة قائم على الفيزياء. استبدل نموذج AlphaFold 2 هذا النموذج بنظام من الشبكات الفرعية المترابطة، لتشكيل نموذج واحد قابل للتفاضل ومتكامل يعتمد على التعرف على الأنماط. تم تدريب هذا النموذج بطريقة متكاملة. [ 26 ] [ 27 ] بعد تقارب تنبؤ الشبكة العصبية، تُطبق خطوة تحسين نهائية قيودًا فيزيائية محلية باستخدام تقليل الطاقة بناءً على مجال قوة AMBER . تُجري هذه الخطوة تعديلات طفيفة فقط على البنية المتوقعة. [ 28 ]

يُعدّ جزءان أساسيان من نظام 2020 هما وحدتان، يُعتقد أنهما مبنيتان على تصميم محوّل ، تُستخدمان لتحسين متجه المعلومات تدريجيًا لكل علاقة (أو " حافة " في مصطلحات نظرية الرسم البياني) بين بقايا حمض أميني في البروتين وبقايا حمض أميني أخرى (تُمثّل هذه العلاقات بالمصفوفة الموضحة باللون الأخضر)؛ وبين كل موقع حمض أميني وكل تسلسل مختلف في محاذاة التسلسل المدخل (تُمثّل هذه العلاقات بالمصفوفة الموضحة باللون الأحمر). [ 27 ] تحتوي تحويلات التحسين هذه داخليًا على طبقات تعمل على تجميع البيانات ذات الصلة وتصفية البيانات غير ذات الصلة (آلية الانتباه) لهذه العلاقات، بطريقة تعتمد على السياق، مُستقاة من بيانات التدريب. تُكرّر هذه التحويلات، حيث تُصبح المعلومات المُحدّثة الناتجة عن كل خطوة مُدخلات للخطوة التالية، مع تغذية معلومات البقايا/البقايا المُحسّنة لتحديث معلومات البقايا/التسلسل، ثم تُغذّي معلومات البقايا/التسلسل المُحسّنة لتحديث معلومات البقايا/البقايا. [ 27 ] مع تقدم التكرار، وفقًا لأحد التقارير، فإن "خوارزمية الانتباه ... تحاكي الطريقة التي قد يقوم بها الشخص بتجميع أحجية الصور المقطوعة: أولاً توصيل القطع في مجموعات صغيرة - في هذه الحالة مجموعات من الأحماض الأمينية - ثم البحث عن طرق لربط المجموعات في كل أكبر." [ 6 ]

تُستخدم مخرجات هذه التكرارات في وحدة التنبؤ بالبنية النهائية، [ 27 ] والتي تستخدم بدورها المحولات، [ 29 ] ثم تخضع هي الأخرى للتكرار. في مثالٍ قدمته شركة DeepMind، حققت وحدة التنبؤ بالبنية بنيةً صحيحةً للبروتين المستهدف في تكرارها الأول، حيث حصلت على قيمة GDT_TS قدرها 78، ولكن مع وجود عدد كبير (90%) من المخالفات الفراغية - أي زوايا أو أطوال روابط غير فيزيائية. ومع التكرارات اللاحقة، انخفض عدد المخالفات الفراغية. وبحلول التكرار الثالث، اقتربت قيمة GDT_TS للتنبؤ من 90، وبحلول التكرار الثامن، اقترب عدد المخالفات الفراغية من الصفر. [ 30 ]

كانت بيانات التدريب في الأصل مقتصرة على سلاسل الببتيد المفردة. إلا أن تحديث أكتوبر 2021، المسمى AlphaFold-Multimer، شمل المركبات البروتينية في بيانات التدريب. وذكرت شركة DeepMind أن هذا التحديث نجح في التنبؤ بدقة بتفاعلات البروتين-بروتين بنسبة 70% تقريبًا. [ 31 ]

ألفافولد 3 (2024)

أُعلن عن برنامج AlphaFold 3 في 8 مايو 2024، وقد طُوّر بالتعاون بين شركتي Google DeepMind و Isomorphic Labs ، التابعتين لشركة Alphabet . لا يقتصر استخدام AlphaFold 3 على البروتينات فقط، بل يمكنه أيضًا التنبؤ ببنية معقدات البروتين مع الحمض النووي DNA ، والحمض النووي RNA ، والتعديلات اللاحقة للترجمة ، وبعض الروابط والأيونات . [ 32 ] [ 15 ]

يُقدّم AlphaFold 3 وحدة "Pairformer"، وهي بنية تعلّم عميق مُستوحاة من Transformer، وتُعتبر مُشابهة لـ Evoformer المُستخدمة في AlphaFold 2، ولكنها أبسط منها. [ 16 ] يتم تحسين التنبؤات الأولية لوحدة Pairformer بواسطة نموذج انتشار . يبدأ هذا النموذج بسحابة من الذرات، ويُحسّن مواقعها بشكل تكراري، مُسترشدًا بمخرجات Pairformer، لإنشاء تمثيل ثلاثي الأبعاد للبنية الجزيئية. [ 15 ]

تم إنشاء خادم AlphaFold لتوفير وصول مجاني إلى AlphaFold 3 لأغراض البحث غير التجاري. [ 33 ] اعتبارًا من نوفمبر 2025، تم الاستشهاد بورقة بحث AlphaFold 3 بشكل مباشر أكثر من 9000 مرة. [ 34 ]

المسابقات

النتائج المحققة في مجال التنبؤ بالبروتينات باستخدام أفضل عمليات إعادة البناء في مسابقة CASP 2018 (الدوائر الصغيرة) ومسابقة CASP 2020 (الدوائر الكبيرة)، مقارنةً بالنتائج المحققة في السنوات السابقة. يُظهر الخط القرمزي كيف حققت مجموعة من النماذج، بما في ذلك AlphaFold 1، نقلة نوعية ملحوظة في عام 2018 مقارنةً بمعدل التقدم السابق، لا سيما فيما يتعلق بتسلسلات البروتينات التي تُعتبر الأصعب في التنبؤ. (كان هناك تحسن نوعي في السنوات السابقة، ولكن فقط عندما تُقرب التغييرات البنى إلى مسافة 8 أنغستروم من مواقعها التجريبية، تبدأ بالتأثير على مقياس CASP GDS-TS). يُظهر الخط البرتقالي أنه بحلول عام 2020، تمكنت خوادم التنبؤ عبر الإنترنت من التعلم من هذا الأداء ومضاهاته، بينما تمكنت أفضل المجموعات الأخرى (المنحنى الأخضر) في المتوسط ​​من إدخال بعض التحسينات عليه. ومع ذلك، يُظهر المنحنى الأسود مدى تفوق AlphaFold 2 على هذا الأداء مرة أخرى في عام 2020، في جميع المجالات. يُشير التوزيع التفصيلي لنقاط البيانات إلى درجة الاتساق أو التباين التي حققها برنامج AlphaFold. وتمثل القيم الشاذة مجموعة قليلة من التسلسلات التي لم يُحقق البرنامج فيها تنبؤًا ناجحًا.

CASP13

في ديسمبر 2018، احتل برنامج AlphaFold التابع لشركة DeepMind المرتبة الأولى في التصنيف العام للدورة الثالثة عشرة من التقييم النقدي لتقنيات التنبؤ ببنية البروتين (CASP). [ 35 ] [ 36 ]

حقق البرنامج نجاحًا ملحوظًا في التنبؤ بالبنية الأكثر دقة للأهداف التي صنفها منظمو المسابقة على أنها الأصعب، حيث لم تتوفر هياكل نموذجية لبروتينات ذات تسلسل مشابه جزئيًا. وقدّم برنامج AlphaFold أفضل تنبؤ لـ 25 من أصل 43 هدفًا بروتينيًا في هذه الفئة، [ 36 ] [ 37 ] [ 38 ] محققًا متوسطًا قدره 58.9 في اختبار المسافة العالمية (GDT) الخاص بمسابقة CASP، متفوقًا على الفريقين التاليين اللذين حققا 52.5 و52.4، [ 39 ] واللذين استخدما أيضًا التعلم العميق لتقدير مسافات التلامس. [ 40 ] [ 41 ] وبشكل عام، حقق AlphaFold 1 درجة GDT بلغت 68.5 لجميع الأهداف. [ 42 ]

في يناير 2020، نُشرت تطبيقات ورموز توضيحية لبرنامج AlphaFold 1 كمصدر مفتوح على منصة GitHub . [ 43 ] [ 21 ] ولكن، كما هو مذكور في ملف "اقرأني" على الموقع: "لا يمكن استخدام هذا الكود للتنبؤ ببنية أي تسلسل بروتيني. يقتصر استخدامه على التنبؤ بالبنية على مجموعة بيانات CASP13 (الروابط أدناه). يرتبط كود توليد الميزات ارتباطًا وثيقًا ببنيتنا التحتية الداخلية وأدواتنا الخارجية، ولذلك لا يمكننا نشره كمصدر مفتوح." وبالتالي، فإن الكود المنشور غير مناسب للاستخدام العام، وإنما لبروتينات CASP13 فقط. ولم تُعلن الشركة عن أي خطط لجعل الكود متاحًا للجمهور حتى 5 مارس 2021.

CASP14

في نوفمبر 2020، فاز الإصدار الجديد من برنامج ديب مايند، ألفا فولد 2، بمسابقة CASP14. [ 44 ] [ 45 ] وبشكل عام، حقق ألفا فولد 2 أفضل تنبؤ لـ 88 هدفًا من أصل 97 هدفًا. [ 8 ]

في اختبار المسافة العالمية (GDT)، وهو مقياس الدقة المفضل في المسابقة ، حقق البرنامج متوسطًا قدره 92.4 (من 100)، ما يعني أن أكثر من نصف تنبؤاته كانت دقيقة بنسبة تزيد عن 92.4% في تحديد مواقع الذرات بدقة تقريبية، [ 46 ] [ 47 ] وهو مستوى دقة يُقال إنه يُضاهي التقنيات التجريبية مثل علم البلورات بالأشعة السينية . [ 25 ] [ 9 ] [ 42 ] في عام 2018، لم يصل برنامج AlphaFold 1 إلى هذا المستوى من الدقة إلا في تنبؤين فقط من بين جميع تنبؤاته. [ 8 ] في مسابقة عام 2020، حقق 88% من التنبؤات درجة GDT_TS تزيد عن 80. أما في مجموعة الأهداف المصنفة على أنها الأكثر صعوبة، فقد حقق برنامج AlphaFold 2 متوسطًا قدره 87.

بقياس الانحراف التربيعي المتوسط ​​(RMS-D) لموقع ذرات الكربون ألفا في سلسلة العمود الفقري للبروتين، والذي يتأثر عادةً بأداء القيم الشاذة الأقل ملاءمة، حققت 88% من تنبؤات AlphaFold 2 انحرافًا تربيعيًا متوسطًا أقل من 4 أنغستروم لمجموعة ذرات الكربون ألفا المتداخلة. [ 8 ] وحققت 76% من التنبؤات دقة أفضل من 3 أنغستروم، بينما حققت 46% منها دقة تربيعية متوسطة لذرات الكربون ألفا أفضل من 2 أنغستروم، [ 8 ] مع متوسط ​​انحراف تربيعي متوسط ​​في تنبؤاتها يبلغ 2.1 أنغستروم لمجموعة ذرات الكربون ألفا المتداخلة. [ 8 ] كما حقق AlphaFold 2 دقة في نمذجة السلاسل الجانبية السطحية وُصفت بأنها "استثنائية للغاية".

لزيادة التحقق من صحة برنامج AlphaFold 2، تواصل منظمو المؤتمر مع أربع مجموعات بحثية رائدة تعمل على هياكل بروتينية وجدوها بالغة الصعوبة ولم يتمكنوا من تحديدها. في جميع الحالات الأربع، كانت النماذج ثلاثية الأبعاد التي أنتجها برنامج AlphaFold 2 دقيقة بما يكفي لتحديد هياكل هذه البروتينات عن طريق الاستبدال الجزيئي . وشملت هذه البروتينات الهدف T1100 (Af1503)، وهو بروتين غشائي صغير درسه الباحثون التجريبيون لعشر سنوات. [ 6 ]

من بين البنى الثلاث التي لم يُحقق برنامج AlphaFold 2 نجاحًا يُذكر في التنبؤ بها، كانت إحداها عبارة عن مُركّب متعدد المجالات غير عادي يتكون من 52 نسخة مُتطابقة من نفس المجال . بالنسبة لجميع الأهداف ذات المجال الواحد، باستثناء بروتين واحد كبير جدًا والبنيتين اللتين تم تحديدهما بواسطة الرنين المغناطيسي النووي، حقق برنامج AlphaFold 2 درجة GDT_TS تزيد عن 80.

CASP15

في عام 2022، لم تشارك شركة DeepMind في مسابقة CASP15، ولكن معظم المشاركين استخدموا AlphaFold أو أدوات تتضمن AlphaFold. [ 48 ]

استقبال

يُعدّ حصول برنامج AlphaFold 2 على أكثر من 90 نقطة في اختبار المسافة العالمية (GDT) التابع لـ CASP إنجازًا عظيمًا في علم الأحياء الحاسوبي . [ 6 ] [ 9 ] وقد وصف فينكي راماكريشنان، الحائز على جائزة نوبل وعالم الأحياء البنيوية ، هذه النتيجة بأنها "تقدم مذهل في حل مشكلة طي البروتين"، [ 6 ] مضيفًا: "لقد حدث هذا قبل عقود مما كان يتوقعه الكثيرون في هذا المجال. وسيكون من المثير للاهتمام رؤية الطرق العديدة التي سيُغير بها هذا البرنامج البحث البيولوجي تغييرًا جذريًا". [ 44 ]

حظي نجاح برنامج AlphaFold 2 باهتمام إعلامي واسع. [ 49 ] [ 44 ] [ 50 ] ونُشرت مقالات إخبارية عنه في المجلات العلمية ، مثل Nature [ 9 ] و Science [ 6 ] و MIT Technology Review [ 3 ] و New Scientist [ 51 ] [ 52 ] ، كما غطت الصحف الوطنية الخبر. [ 53 ] [ 54 ] [ 55 ] [ 56 ] وكان من بين المواضيع المتكررة القدرة على التنبؤ ببنية البروتينات بناءً على تسلسل الأحماض الأمينية المكونة لها، وهو ما يُتوقع أن يُحقق فوائد في علوم الحياة، مثل تسريع اكتشاف الأدوية وفهم الأمراض بشكل أفضل. [ 9 ] [ 57 ] وقد لاحظ البعض أنه حتى مع وجود إجابة مثالية لمشكلة التنبؤ بالبروتينات، تظل هناك تساؤلات حول مشكلة طي البروتينات (وبالتالي ديناميكياتها )، أي فهم كيفية حدوث عملية الطي في الطبيعة بالتفصيل (وكيف يمكن أن يحدث الطي بشكل خاطئ أحيانًا ). [ 58 ]

ديفيد بيكر، وديميس هاسابيس، وجون جامبر في مؤتمر جائزة نوبل لعام 2024

في عام 2023، فاز ديميس هاسابيس وجون جامبر بجائزة الاختراق في علوم الحياة [ 20 ] ، بالإضافة إلى جائزة ألبرت لاسكر للبحوث الطبية الأساسية لإدارتهما مشروع ألفافولد. [ 59 ] وفي عام 2024 ، فاز هاسابيس وجامبر بجائزة نوبل في الكيمياء لعملهما على "التنبؤ ببنية البروتين" مع ديفيد بيكر من جامعة واشنطن. [ 19 ] [ 60 ]

شفرة المصدر

أتاحت شركة ديب مايند الوصول المفتوح إلى الشفرة المصدرية لعدة إصدارات من برنامج ألفا فولد (باستثناء ألفا فولد 3) في عام 2022 استجابةً لطلبات من المجتمع العلمي. [ 61 ] [ 62 ] [ 63 ] وفي نوفمبر 2024 ، أُتيحت الشفرة المصدرية وأوزان ألفا فولد 3 للاستخدام غير التجاري للمجتمع العلمي بناءً على طلبه. ثم أصبحت متاحة للعموم في فبراير 2025، مع استمرار تقييد استخدامها لأغراض غير تجارية. [ 64 ]

المستنسخات والمشتقات

نُشرت أيضاً العديد من نسخ برنامج AlphaFold، معظمها بشروط ترخيص متساهلة . تشمل نسخ AlphaFold3 برنامج Protenix من شركة ByteDance ( مرخص بموجب رخصة Apache 2.0 )، [ 65 ] وبرنامج OpenFold-3 من مختبر القريشي ( مرخص بموجب رخصة MIT )، وبرنامج Boltz-1/2 (مرخص بموجب رخصة MIT). [ 66 ]

توجد أيضًا نسخٌ مُقلَّدةٌ للإصدارات الأقدم، إلا أنها أصبحت أقل أهميةً مع إصدار شفرة المصدر المفتوحة لبرنامجي AlphaFold 1 و2. ولا تزال النماذج، سواءً مفتوحة المصدر أو مغلقة المصدر، التي تتضمن تعديلاتٍ على بنية AlphaFold، ذات أهمية. ومن الأمثلة البارزة على ذلك برنامج ESMFold من Meta ، الذي يستبدل محاذاة التسلسلات المتعددة بالفضاء الكامن لنموذج لغة البروتين. [ 67 ]

تم تطوير أدوات مفتوحة المصدر تُكمّل برنامج AlphaFold. ومن الأمثلة الشائعة على ذلك ColabFold، الذي يستخدم MMseqs2 [ 68 ] بدلاً من HHblits لتسريع عملية البحث عن التسلسل، مما يسمح بتشغيل مسارات AlphaFold بسرعة على Google Colab . [ 69 ]

قاعدة بيانات نماذج البروتين التي تم إنشاؤها بواسطة AlphaFold

أُطلقت قاعدة بيانات بنية البروتين AlphaFold (AFDB)، وهي مشروع مشترك بين AlphaFold وEMBL-EBI، في 22 يوليو 2021. عند الإطلاق، احتوت قاعدة البيانات على نماذج مُتوقعة بواسطة AlphaFold 1 لما يقرب من كامل بروتيوم UniProt للإنسان و 20 كائنًا نموذجيًا ، بإجمالي يزيد عن 365,000 بروتين. لا تشمل قاعدة البيانات البروتينات التي تحتوي على أقل من 16 أو أكثر من 2700 حمض أميني ، [ 70 ] ولكنها متوفرة للبروتينات البشرية في ملف الدفعة الكامل. [ 71 ] كان الهدف الأولي لـ AlphaFold (حتى أوائل عام 2022) هو توسيع قاعدة البيانات لتشمل معظم مجموعة UniRef90، التي تحتوي على أكثر من 100 مليون بروتين. اعتبارًا من 15 مايو 2022، احتوت قاعدة البيانات على 992,316 توقعًا. [ 72 ]

في يوليو 2021، تم تحديث UniProt-KB و InterPro [ 73 ] لعرض تنبؤات AlphaFold عند توفرها. [ 74 ]

في 28 يوليو 2022، قام الفريق بتحميل هياكل حوالي 200 مليون بروتين من مليون نوع إلى قاعدة البيانات، لتغطي بذلك جميع البروتينات المعروفة تقريبًا على كوكب الأرض. [ 75 ] وبحلول عام 2024، بلغ العدد 214 مليون بروتين، منها 26 مليون بروتين مكرر (تطابق تام في التسلسل) لبروتين آخر في قاعدة البيانات. وقد تختلف الهياكل المتوقعة اختلافًا كبيرًا بين البروتينات المكررة. [ 76 ]

اعتبارًا من عام 2025، يستخدم AFDB برنامج AlphaFold 2 للتنبؤات. تبقى جميع البنى الناتجة أحادية، ولكن يتم ربط البنى متعددة الوحدات الناتجة عن قواعد بيانات أخرى بالصفحة عبر واجهة برمجة تطبيقات 3D-Beacons. كما تم دمج Foldseek، الذي يوفر عمليات بحث سريعة ودقيقة عن البنى. وتم أيضًا دمج معلومات من AlphaMissense (أداة تستخدم AlphaFold للتنبؤ بنتيجة الطفرات غير المترادفة). [ 77 ]

قواعد البيانات المشتقة

يُضيف برنامج AlphaFill عوامل مساعدة إلى نماذج AlphaFold عند الحاجة. ويتم ذلك من خلال البحث في بنك بيانات البروتين عن هياكل مماثلة ونقل العوامل المساعدة إلى مواقع مماثلة. [ 78 ] كما يرتبط البرنامج بقاعدة بيانات UniProt.

يقوم برنامج TmAlphaFold بربط نماذج AlphaFold بالأغشية البيولوجية، على غرار ما يفعله برنامج OPM لهياكل PDB. [ 79 ]

يستخدم برنامج AFTM نماذج AlphaFold لتحديد المناطق العابرة للغشاء في البروتينات البشرية، على غرار ما يفعله برنامج PDBTM لهياكل PDB. [ 79 ]

يستخدم ChannelsDB 2.0 نماذج PDB أو AlphaFill لحساب المسار الذي قد يسلكه الجزيء للوصول إلى الموقع النشط للإنزيم أو للوصول إلى الجانب الآخر من مسام الغشاء. [ 80 ]

لا يتم تحديث قاعدة بيانات AFDB بتغييرات تسلسل UniProt. يحافظ برنامج AlphaSync على مزامنة AFDB مع تغييرات مدخلات UniProt، مُولِّدًا هياكل مُحدَّثة، وخصائص على مستوى الأحماض الأمينية، وروابط. ويحاول استخدام مدخل AFDB للتسلسل المُحدَّث تمامًا عند توفره، ويُشغِّل AlphaFold 2 بشكل مستقل في حال عدم توفره. كما يُكمل البرنامج الفراغات في AFDB للبروتينات الكبيرة (أكثر من 2700 حمض أميني) والبروتينات التي تحتوي على أحرف FASTA خاصة مثل B أو Z أو U أو X. [ 81 ]

تُطبّق موسوعة المجالات (TED) طريقة التعرف على المجالات من قاعدة بيانات CATH على 188 مليون بنية فريدة من قاعدة بيانات AFDB، مما يؤدي إلى تحديد ما يقرب من 365 مليون مجال، أي أكثر بمقدار 100 مليون مجال مما يمكن أن تحدده الطرق القائمة على التسلسل. [ 76 ]

تقوم قاعدة بيانات التصنيف التطوري لمجالات البروتين (ECOD) بتعيين تصنيفات ECOD لجميع بروتينات SwissProt في AFDB. [ 82 ]

قواعد بيانات غير ذات صلة تعتمد على AlphaFold

isoform.io هي قاعدة بيانات تضمّ هياكل مُولّدة بواسطة برنامج AlphaFold2 لنظائر التضفير المُقترحة في الجينوم البشري. وتشمل معلومات من 237,275 نسخة جينية بشرية. وقد استُخدمت للكشف عن الأخطاء في تنبؤات الحمض النووي الريبوزي الرسول (mRNA) لعدد من الجينات. [ 83 ]

الأداء والتحققات والقيود

أظهر برنامج AlphaFold بعض القيود.

AlphaFold 1 و 2 و AlphaFold DB

  • توفر قاعدة بيانات AlphaFold نماذج لسلاسل البروتين الفردية (المونومرات)، بدلاً من مركباتها ذات الصلة البيولوجية . [ 84 ]
  • تم التنبؤ بالعديد من مناطق البروتين بدرجة ثقة منخفضة، بما في ذلك مناطق البروتين غير المنتظمة جوهريًا . [ 85 ]
  • تم التحقق من صحة Alphafold-2 للتنبؤ بتأثيرات الطفرات النقطية على البنية [ 86 ] والطاقة الحرة، [ 87 ] بنجاح جزئي.

ألفافولد 3

  • أظهر برنامج AlphaFold3، في المتوسط، أداءً متفوقًا على خوارزميات الالتحام التقليدية القائمة على البحث في التنبؤ بأنماط ارتباط الجزيئات الصغيرة بالبروتينات، وذلك عبر العديد من المعايير. [ 88 ]
  • يستطيع برنامج AlphaFold الإصدار 3 التنبؤ ببنية معقدات البروتين باستخدام مجموعة محدودة جدًا من العوامل المساعدة المختارة والتعديلات المصاحبة واللاحقة للترجمة . [ 89 ] ما بين 50% و70% من بنى البروتينات البشرية غير مكتملة بدون السكريات المرتبطة تساهميًا. [ 90 ] [ 84 ]
  • أظهرت الدراسات أنه على الرغم من قدرة AlphaFold3 على نمذجة طي البروتين والربيطة معًا، إلا أن دقتها تنخفض بشكل ملحوظ في حالات الاختبار ذات التشابه المنخفض مع بيانات التدريب الخاصة بها، وهو مجال ذو أهمية خاصة في اكتشاف الأدوية. [ 91 ] وقد وجدت دراسات أخرى أن AlphaFold غير حساس للنماذج الخادعة المُولَّدة عن طريق تغيير الخصائص الفيزيائية والكيميائية لمواقع الارتباط، مما يشير إلى اعتماد محتمل على حفظ مجموعة التدريب بدلًا من الوعي الكيميائي الحقيقي. [ 92 ]

عام

  • في هذه الخوارزمية، تتحرك البقايا بحرية تامة دون أي قيود. لذا، لا تُحفظ سلامة السلسلة أثناء عملية النمذجة. ونتيجةً لذلك، قد يُنتج برنامج AlphaFold نتائج خاطئة من الناحية الطوبولوجية، مثل هياكل ذات عدد عشوائي من العُقد. (تستخدم هذه الدراسة برنامج AlphaFold 2.3.2). [ 93 ]
  • يعتمد النموذج، إلى حد ما، على معلومات التطور المشترك من بروتينات مماثلة. لذلك، قد لا يكون أداؤه جيدًا على البروتينات المصنعة أو البروتينات ذات التشابه المنخفض جدًا مع تلك الموجودة في قاعدة بيانات التدريب. [ 94 ] تؤكد المعايير هذا القيد: فعند تطبيقه على البروتينات المُطوَّرة حديثًا بشكل طبيعي، غالبًا ما ينتج عن AlphaFold2 نماذج منخفضة الثقة وتعتمد على المُتنبئ، ويمكن لمتنبئات البنية القائمة على نموذج لغة البروتين (غير المعتمدة على المحاذاة) أن تؤدي أداءً أفضل من AlphaFold2 للبروتينات اليتيمة. [ 95 ] [ 96 ] وبشكل أعم، تُظهر التحليلات المقارنة أن متنبئات البنية/الاضطراب (بما في ذلك AlphaFold2 وESMFold) تتصرف بشكل مختلف على البروتينات المُطوَّرة حديثًا والبروتينات ذات التسلسل العشوائي مقارنةً بالبروتينات المحفوظة، وأن مقاييس الثقة يمكن أن تُظهر علاقات مختلفة مع الاضطراب المُتوقع في فئات التسلسل هذه. [ 97 ] [ 98 ]
  • إن قدرة النموذج على التنبؤ بالتكوينات الأصلية المتعددة للبروتينات محدودة.
  • تتميز البروتينات بطبيعتها الديناميكية، وغالبًا ما يكون الوصول إلى هيئاتها الأصلية المتعددة أمرًا بالغ الأهمية لفهم وظيفتها. ومع ذلك، فإن النموذج لديه قدرة محدودة على تمثيل هذه الحالات الهيكلية البديلة، لا سيما تلك التي تتعايش أو تتحول فيما بينها في البيئات البيولوجية.

التطبيقات

استُخدم برنامج AlphaFold للتنبؤ ببنية بروتينات فيروس SARS-CoV-2 ، المسبب لمرض كوفيد-19 . كانت بنية هذه البروتينات قيد الكشف التجريبي في أوائل عام 2020. [ 99 ] [ 9 ] راجع علماء في معهد فرانسيس كريك بالمملكة المتحدة النتائج قبل نشرها على نطاق أوسع في الأوساط البحثية. كما أكد الفريق دقة التنبؤ بمقارنته ببروتين السنبلة لفيروس SARS-CoV-2 الذي تم تحديده تجريبيًا ونُشر في بنك بيانات البروتين ، وهو قاعدة بيانات دولية مفتوحة الوصول، قبل نشر البنى المحددة حاسوبيًا لجزيئات البروتين التي لم تحظَ بدراسة كافية. [ 100 ] أقر الفريق بأنه على الرغم من أن هذه البنى البروتينية قد لا تكون موضوعًا لجهود بحثية علاجية جارية، إلا أنها ستساهم في فهم المجتمع العلمي لفيروس SARS-CoV-2. [ 100 ] على وجه التحديد، كان تنبؤ AlphaFold 2 ببنية بروتين ORF3a مشابهًا جدًا للبنية التي حددها باحثون في جامعة كاليفورنيا، بيركلي، باستخدام المجهر الإلكتروني فائق البرودة . يُعتقد أن هذا البروتين تحديدًا يساعد الفيروس على الخروج من الخلية المضيفة بعد تكاثره. كما يُعتقد أنه يلعب دورًا في تحفيز الاستجابة الالتهابية للعدوى. [ 101 ]

الأعمال المنشورة

انظر أيضاً

مراجع

  1. ↑ المؤلفون)، كاثرين تونياسوفوناكول، جوناس أدلر، زاكاري وو، تيم غرين، ميخال زيلينسكي، أوغستين زيديك، أليكس بريدجلاند، أندرو كاوي، كليمنس ماير، أغاتا لايدون، سمير فيلانكا*، جيرارد ج. كليويغت*، أليكس بيتمان*، ريتشارد إيفانز، ألكسندر بريتزل، مايكل فيغورنوف، أولاف رونبرغر، روس بيتس، سيمون أ. أ. كول، آنا بوتابينكو، أندرو ج. بالارد، برناردينو روميرا-باريديس، ستانيسلاف نيكولوف، ريشوب جاين، إيلين كلانسي، ديفيد ريمان، ستيغ بيترسن، أندرو سينيور، كوراي كافوكوغلو، إيوان بيرني*، بوشميت كوهلي، جون جامبر، ديميس هاسابيس (* خارجي (2021-07-22). "تمكين التنبؤ عالي الدقة ببنية البروتين على مستوى البروتينوم "المقياس" . جوجل ديب مايند . تم الاسترجاع في 11 أبريل 2026 .{{cite web}}: صيانة CS1: أسماء متعددة: قائمة المؤلفين ( رابط )
  2. ↑ "ألفافولد" . ديب مايند . مؤرشف من الأصل في 19 يناير 2021. تم الاطلاع عليه في 30 نوفمبر 2020 .
  3. ١ ٢ ٣ ٤ ٥ ٦ "حلّ الذكاء الاصطناعي لطي البروتين من DeepMind تحديًا بيولوجيًا كبيرًا استمر لخمسين عامًا" . مجلة MIT Technology Review . مؤرشف من الأصل بتاريخ ٢٨ أغسطس ٢٠٢١. تم الاطلاع عليه بتاريخ ٣٠ نوفمبر ٢٠٢٠ .
  4. ↑ شيد، سام (30 نوفمبر 2020). "ديب مايند تحل "تحديًا كبيرًا" عمره 50 عامًا باستخدام الذكاء الاصطناعي لطي البروتين" . سي إن بي سي . مؤرشف من الأصل في 28 يناير 2021. تم الاطلاع عليه في 30 نوفمبر 2020 .
  5. ↑ ستودارت، شارلوت (1 مارس 2022). " علم الأحياء البنيوي: كيف حصلت البروتينات على صورتها المقربة" . مجلة Knowable . doi : 10.1146/knowable-022822-1 . S2CID 247206999. مؤرشف من الأصل في 7 أبريل 2022. تم الاطلاع عليه في 25 مارس 2022 . 
  6. 1 2 3 4 5 6 7 8 روبرت ف. سيرفيس، "لقد تغيرت قواعد اللعبة". الذكاء الاصطناعي يتفوق في حل هياكل البروتينات. مؤرشف في 24 يونيو 2023 على موقع Wayback Machine ، مجلة ساينس ، 30 نوفمبر 2020
  7. 1 2 3 جون جمبر؛ إيفانز، ريتشارد. بريتزل، الكسندر. جرين تيم. فيجورنوف، مايكل؛ رونبيرجر، أولاف. تونياسوفوناكول، كاثرين؛ بيتس، روس. جيدك، أوغسطين؛ بوتابينكو، آنا؛ بريدجلاند، أليكس؛ ماير، كليمنس. كول، سيمون AA؛ بالارد ، أندرو ج. كوي، أندرو؛ روميرا باريديس، برناردينو؛ نيكولوف، ستانيسلاف؛ جاين، ريشوب؛ أدلر، جوناس. العودة، تريفور. بيترسن، ستيغ. ريمان، ديفيد. كلانسي، إلين؛ زيلينسكي، ميشال؛ ستينيجر، مارتن؛ باتشولسكا، ميشالينا؛ بيرغامر، تاماس؛ بودنشتاين، سيباستيان. الفضة، ديفيد؛ فينيالس، أوريول. كبير، أندرو دبليو؛ كافوكوجلو، كوراي؛ كوهلي، بوشميت؛ حسابيس، ديميس (15 يوليو 2021). "تنبؤ دقيق للغاية ببنية البروتين باستخدام AlphaFold" . مجلة Nature . 596 (7873): 583-589 . Bibcode : 2021Natur.596..583J . doi : 10.1038/s41586-021-03819-2 . PMC 8371605. PMID 34265844 .  
  8. 1 2 3 4 5 6 محمد القرشي، نتائج CASP14 صدرت للتو وهي مذهلة. مؤرشف بتاريخ 2022-08-04 في Wayback Machine ، تويتر، 30 نوفمبر 2020.
  9. 1 2 3 4 5 6 كالاواي، إيوين (30-11-2020). "«سيغير كل شيء»: الذكاء الاصطناعي من ديب مايند يحقق قفزة هائلة في حلّ بنى البروتينات. مجلة نيتشر . 588 (7837): 203-204 . Bibcode : 2020Natur.588..203C . doi : 10.1038/d41586-020-03348-4 . PMID 33257889. S2CID 227243204 .  
  10. ↑ ستيفن كاري، لا، لم تحلّ شركة ديب مايند مشكلة طي البروتين. مؤرشف بتاريخ 29 يوليو 2022 في أرشيف الإنترنت ، ريسبروكال سبيس (مدونة)، 2 ديسمبر 2020
  11. ↑ بول، فيليب (9 ديسمبر 2020). "خلف كواليس ألفافولد" . عالم الكيمياء . مؤرشف من الأصل في 15 أغسطس 2021. تم الاطلاع عليه في 10 ديسمبر 2020 .
  12. ↑ "GitHub - deepmind/alphafold: شفرة المصدر المفتوحة لـ AlphaFold" . GitHub . مؤرشف من الأصل بتاريخ 23 يوليو 2021. تم الاطلاع عليه بتاريخ 24 يوليو 2021 .
  13. ↑ "قاعدة بيانات بنية البروتين ألفا فولد" . alphafold.ebi.ac.uk . مؤرشفة من الأصل بتاريخ 24-07-2021 . تم الاطلاع عليها بتاريخ 24-07-2021 .
  14. ↑ "جوجل سكولار" . scholar.google.com . تم الاطلاع عليه بتاريخ 1 مايو 2025 .
  15. ١ ٢ ٣ " يتنبأ برنامج AlphaFold 3 ببنية وتفاعلات جميع جزيئات الحياة" . جوجل . ٨ مايو ٢٠٢٤. مؤرشف من الأصل في ٩ مايو ٢٠٢٤. تم الاطلاع عليه في ٩ مايو ٢٠٢٤ .
  16. أبرامسون ، جوش؛ أدلر، جوناس؛ دونجر، جاك؛ إيفانز، ريتشارد؛ غرين، تيم؛ بريتزل، ألكسندر؛ رونبرغر، أولاف؛ ويلمور، ليندسي؛ بالارد، أندرو جيه؛ بامبريك، جوشوا؛ بودنشتاين، سيباستيان دبليو؛ إيفانز، ديفيد إيه؛ هونغ، تشيا-تشون؛ أونيل، مايكل؛ ريمان، ديفيد (2024-05-08). " التنبؤ الدقيق ببنية التفاعلات الجزيئية الحيوية مع ألفا فولد 3" . نيتشر . 630 (8016): 493-500 . Bibcode : 2024Natur.630..493A . doi : 10.1038/s41586-024-07487-w . ISSN 1476-4687 . PMC 11168924 . PMID 38718835 .   
  17. ↑ "ما وراء ألفا فولد 3: مواجهة التحديات المستقبلية في التنبؤ ببنية البروتين" . 10-05-2024 . تم الاطلاع عليه بتاريخ 29-11-2024 .
  18. ↑ «بيان صحفي: جائزة نوبل في الكيمياء 2024» . الأكاديمية الملكية السويدية للعلوم. 9 أكتوبر 2024. تم الاطلاع عليه بتاريخ 29 نوفمبر 2024. قررت الأكاديمية الملكية السويدية للعلوم منح جائزة نوبل في الكيمياء لعام 2024 ، حيث مُنحت نصفها لديفيد بيكر «لإسهاماته في تصميم البروتينات الحاسوبي»، والنصف الآخر مناصفةً بين ديميس هاسابيس وجون جامبر «لإسهاماته في التنبؤ ببنية البروتينات».
  19. هانت ، كريستيان إدواردز، كاتي (9 أكتوبر 2024). "علماء استخدموا الذكاء الاصطناعي لفك شفرة جميع البروتينات تقريبًا يفوزون بجائزة نوبل في الكيمياء" . سي إن إن . مؤرشف من الأصل في 10 أكتوبر 2024. تم الاطلاع عليه في 9 أكتوبر 2024 .{{cite news}}: صيانة CS1: أسماء متعددة: قائمة المؤلفين ( رابط )
  20. 1 2 كناب، أليكس. "الإعلان عن جوائز الاختراق لعام 2023: جائزة بقيمة 3 ملايين دولار لمجلدات البروتين من ديب مايند" . فوربس . مؤرشف من الأصل في 9 مايو 2024. تم الاسترجاع في 9 مايو 2024 .
  21. 1 2 3 "ألفافولد: استخدام الذكاء الاصطناعي للاكتشاف العلمي" . ديب مايند . 15 يناير 2020. مؤرشف من الأصل في 7 مارس 2022. تم الاطلاع عليه في 30 نوفمبر 2020 .
  22. ↑ محمد القرشي (مايو 2019)، AlphaFold في CASP13، مؤرشف في 22 نوفمبر 2021 على Wayback Machine ، المعلوماتية الحيوية ، 35 (22)، 4862-4865 ، doi : 10.1093/bioinformatics/btz422 . انظر أيضًا: محمد القرشي (9 ديسمبر 2018)، AlphaFold في CASP13: "ما الذي حدث للتو؟" ، مؤرشف في 29 يوليو 2022 على Wayback Machine (منشور مدونة).محمد القرشي (15 يناير 2020)، لحظة فاصلة في التنبؤ ببنية البروتين، مؤرشف في 23 يونيو 2022 على Wayback Machine ، Nature 577 ، 627-628، doi : 10.1038/d41586-019-03951-0
  23. ↑ ألفافولد: التعلم الآلي للتنبؤ ببنية البروتين. مؤرشف بتاريخ 12 مايو 2022 في أرشيف الإنترنت (Wayback Machine) ، فولد إت ، 31 يناير 2020
  24. 1 2 جامبر، جون؛ وآخرون . (أغسطس 2021). "تنبؤ دقيق للغاية ببنية البروتين باستخدام AlphaFold" . Nature . 596 (7873): 583–589 . Bibcode : 2021Natur.596..583J . doi : 10.1038/ s41586-021-03819-2 . ISSN 1476-4687 . PMC 8371605. PMID 34265844 .    
  25. ١ ٢ "ديب مايند تجيب على أحد أكبر تحديات علم الأحياء" . مجلة الإيكونوميست . ٣٠ نوفمبر ٢٠٢٠. الرقم الدولي الموحد للدوريات ٠٠١٣-٠٦١٣ . مؤرشف من الأصل في ٣ ديسمبر ٢٠٢٠. تم الاطلاع عليه في ٣٠ نوفمبر ٢٠٢٠ . 
  26. 1 2 جيريمي كان، دروس مستفادة من إنجاز ديب مايند في مجال الذكاء الاصطناعي لطي البروتين، مؤرشف في 8 أبريل 2022 على موقع Wayback Machine ، مجلة فورتشن ، 1 ديسمبر 2020
  27. ١ ٢ ٣ ٤ انظر المخطط الكتلي. انظر أيضًا عرض جون جامبر وآخرون (١ ديسمبر ٢٠٢٠)، عرض AlphaFold 2، مؤرشف بتاريخ ٢٠٢٢-٠٧-٠٣ في Wayback Machine ، الشريحة ١٠
  28. ↑ جون جامبر وآخرون، ملخص المؤتمر (ديسمبر 2020)
  29. ↑ يُذكر أن وحدة البنية تستخدم "بنية محول متكافئ ثلاثي الأبعاد" (جون جامبر وآخرون ، 1 ديسمبر 2020، عرض تقديمي في مؤتمر AlphaFold 2 ، مؤرشف في 3 يوليو 2022 على موقع Wayback Machine ، الشريحة 12). تصميم لشبكة محول ذات تكافؤ SE(3) في بحث فابيان فوكسوآخرون بعنوان " محولات SE(3): شبكات انتباه متكافئة ثلاثية الأبعاد للحركة الدورانية والانتقالية"، مؤرشف في 7 أكتوبر 2021 على موقع Wayback Machine ، في مؤتمر NeurIPS 2020؛ وموقع إلكتروني مؤرشف أيضًا في 3 يوليو 2022 على موقع Wayback Machine . ولا يُعرف مدى تشابه هذا التصميم مع ما استُخدم في AlphaFold.راجع أيضًا تدوينة المدونة المؤرشفة بتاريخ 8 ديسمبر 2020 على موقع Wayback Machine بقلم AlQuaraishi حول هذا الموضوع، أو التدوينة الأكثر تفصيلًا المؤرشفة بتاريخ 3 يوليو 2022 على موقع Wayback Machine بقلم Fabian Fuchs
  30. ↑ جون جامبر وآخرون (1 ديسمبر 2020)، عرض تقديمي لمؤتمر ألفافولد 2، مؤرشف بتاريخ 3 يوليو 2022 في أرشيف الإنترنت ، الشرائح من 12 إلى 20
  31. ↑ كالاواي، إيوين (13 أبريل 2022). "ما هو التالي بالنسبة لـ AlphaFold وثورة الذكاء الاصطناعي في طي البروتينات؟" . مجلة Nature . 604 (7905): 234-238 . Bibcode : 2022Natur.604..234C . doi : 10.1038/d41586-022-00997-5 . PMID: 35418629. S2CID : 248156195 .  
  32. ↑ ميتز، كيد (8 مايو 2024). "جوجل تكشف عن ذكاء اصطناعي للتنبؤ بسلوك الجزيئات البشرية" . صحيفة نيويورك تايمز . الرقم الدولي الموحد للدوريات 0362-4331 . مؤرشف من الأصل في 10 أكتوبر 2024. تم الاطلاع عليه في 9 مايو 2024 . 
  33. ↑ "خادم غير تجاري لـ AlphaFold-3" . مؤرشف من الأصل بتاريخ 10-10-2024 . تم الاطلاع عليه بتاريخ 12-05-2024 .
  34. ↑ "جوجل سكولار" . scholar.google.com . تم الاطلاع عليه بتاريخ 1 مايو 2025 .
  35. ↑ أداء المجموعة بناءً على درجات z المجمعة. مؤرشف بتاريخ 2022-03-08 في Wayback Machine ، CASP 13، ديسمبر 2018. (AlphaFold = الفريق 043: A7D)
  36. 1 2 سامبل، إيان (2 ديسمبر 2018). "ديب مايند التابعة لشركة جوجل تتنبأ بالأشكال ثلاثية الأبعاد للبروتينات" . صحيفة الغارديان . مؤرشف من الأصل في 18 يوليو 2019. تم الاطلاع عليه في 30 نوفمبر 2020 .
  37. ↑ "ألفافولد: استخدام الذكاء الاصطناعي للاكتشاف العلمي" . ديب مايند . يناير 2020. مؤرشف من الأصل في 10 أكتوبر 2024. تم الاطلاع عليه في 30 نوفمبر 2020 .
  38. ↑ سينغ، أرونيما (2020). "التعلم العميق للهياكل ثلاثية الأبعاد" . مجلة نيتشر ميثودز . 17 (3): 249. doi : 10.1038/s41592-020-0779-y . ISSN 1548-7105 . PMID 32132733. S2CID 212403708 .   
  39. ↑ انظر جداول بيانات CASP 13 المؤرشفة بتاريخ 14 مارس 2022 على موقع Wayback Machine للأرقام 043 A7D و322 Zhang و089 MULTICOM
  40. ↑ وي تشنغ وآخرون ، التنبؤ ببنية البروتين باستخدام خريطة التلامس الموجهة بالتعلم العميق في CASP13، مؤرشف في 22 يناير 2022 على Wayback Machine ، البروتينات: البنية، الوظيفة، والمعلوماتية الحيوية ، 87 (12) 1149-1164، doi : 10.1002/prot.25792 ؛ والشرائح مؤرشفة في 26 يوليو 2022 على Wayback Machine
  41. ↑ هو، جي؛ وو، تيانكي؛ كاو، رينزي؛ تشنغ، جيانلين (25 أبريل 2019). "نمذجة البنية الثلاثية للبروتين باستخدام التعلم العميق والتنبؤ بمسافة التلامس في CASP13" . البروتينات : البنية، الوظيفة، والمعلوماتية الحيوية . 87 (12). وايلي: 1165-1178 . bioRxiv 10.1101/552422 . doi : 10.1002/prot.25697 . ISSN 0887-3585 . PMC 6800999. PMID 30985027 .    
  42. ١ ٢ "اكتشافٌ رائدٌ من ديب مايند يُساعد في حلّ لغز كيفية غزو الأمراض للخلايا" . بلومبيرغ.كوم . ٣٠ نوفمبر ٢٠٢٠. مؤرشف من الأصل بتاريخ ٥ أبريل ٢٠٢٢. تم الاطلاع عليه بتاريخ ٣٠ نوفمبر ٢٠٢٠ .
  43. ↑ "deepmind/deepmind-research" . GitHub . مؤرشف من الأصل بتاريخ 2022-02-01 . تم الاطلاع عليه بتاريخ 2020-11-30 .
  44. ١ ٢ ٣ "ألفافولد: حل لتحدٍّ كبير في علم الأحياء عمره ٥٠ عامًا" . ديب مايند . ٣٠ نوفمبر ٢٠٢٠. مؤرشف من الأصل في ٣٠ نوفمبر ٢٠٢٠. تم الاطلاع عليه في ٣٠ نوفمبر ٢٠٢٠ .
  45. ↑ «حلّ الذكاء الاصطناعي لطي البروتينات من ديب مايند تحديًا بيولوجيًا كبيرًا استمر لخمسين عامًا» . مجلة إم آي تي ​​للتكنولوجيا . مؤرشف من الأصل في ٢٨ أغسطس ٢٠٢١. تم الاطلاع عليه في ٣٠ نوفمبر ٢٠٢٠ .
  46. ↑ بالنسبة لمقياس GDT_TS المستخدم، تحصل كل ذرة في التنبؤ على ربع نقطة إذا كانت ضمن 8 أنجستروم (0.80 نانومتر) من الموضع التجريبي؛ نصف نقطة إذا كانت ضمن 4 أنجستروم، ثلاثة أرباع نقطة إذا كانت ضمن 2 أنجستروم، ونقطة كاملة إذا كانت ضمن 1 أنجستروم.  
  47. ↑ لتحقيق درجة GDT_TS تبلغ 92.5، يجب أن تكون دقة 70% على الأقل من البنية في حدود 1 أنغستروم، ودقة 85% على الأقل في حدود 2 أنغستروم.
  48. ↑ كالاواي، إيوين (13 ديسمبر 2022). "بعد ألفا فولد: مسابقة طي البروتين تسعى إلى تحقيق اختراق كبير جديد" . مجلة نيتشر . 613 (7942): 13-14 . doi : 10.1038/d41586-022-04438-1 . PMID 36513827. S2CID 254660427 .  
  49. ↑ حل الذكاء الاصطناعي لتحدي علمي عمره 50 عامًا قد يُحدث "ثورة" في البحث الطبي. مؤرشف بتاريخ 24 أبريل 2022 في Wayback Machine (بيان صحفي)، اللجنة المنظمة لـ CASP ، 30 نوفمبر 2020
  50. ↑ بريجيت نيرليش، طي البروتين والتواصل العلمي: بين الضجة والتواضع. مؤرشف بتاريخ 15 فبراير 2022 في أرشيف الإنترنت ، مدونة جامعة نوتنغهام ، 4 ديسمبر 2020
  51. ↑ مايكل لي بيج، عالم الأحياء المتخصص في الذكاء الاصطناعي لدى ديب مايند، قادر على فك أسرار آلية الحياة. مؤرشف بتاريخ 2022-08-02 في أرشيف الإنترنت (Wayback Machine) ، مجلة نيو ساينتست ، 30 نوفمبر 2020
  52. ↑ تنبؤات أحدث تقنيات الذكاء الاصطناعي من ديب مايند قد تُحدث ثورة في الطب. مؤرشف بتاريخ 7 نوفمبر 2021 في أرشيف الإنترنت ، مجلة نيو ساينتست ، 2 ديسمبر 2020
  53. ↑ توم ويبل، ديب مايند تجد "الكأس المقدسة" في علم الأحياء بحلّها لمشكلة البروتين ، صحيفة التايمز (عبر الإنترنت)، 30 نوفمبر 2020.كتب توم ويبل ستة مقالات حول هذا الموضوع لصحيفة التايمز عند انتشار الخبر. ( تمت أرشفة الموضوع في 8 نوفمبر 2021 على موقع Wayback Machine ).
  54. ↑ كاد ميتز ، مختبر الذكاء الاصطناعي في لندن يدّعي تحقيق إنجازٍ قد يُسرّع اكتشاف الأدوية. مؤرشف بتاريخ 4 أغسطس 2022 في أرشيف الإنترنت ، نيويورك تايمز ، 30 نوفمبر 2020
  55. ↑ إيان سامبل، من شركة ديب مايند للذكاء الاصطناعي، يحل مشكلة طي البروتين التي استمرت 50 عامًا. مؤرشف بتاريخ 30 نوفمبر 2020 في أرشيف الإنترنت (Wayback Machine) ، صحيفة الغارديان ، 30 نوفمبر 2020
  56. ↑ ليزي روبرتس، "تقدمٌ نادرٌ في كل جيل" حيثُ باحثو الذكاء الاصطناعي في جوجل يحلّون تحديًا بيولوجيًا عمره 50 عامًا. مؤرشف بتاريخ 4 أغسطس 2022 في أرشيف الإنترنت . صحيفة ديلي تلغراف ، 30 نوفمبر 2020
  57. ↑ تيم هوبارد ، سر الحياة، الجزء الثاني: حل مشكلة طي البروتين. مؤرشف بتاريخ 14 مايو 2022 في أرشيف الإنترنت (Wayback Machine) ، medium.com ، 30 نوفمبر 2020
  58. ↑ على سبيل المثال، غريغ بومان، طي البروتين والمشاكل ذات الصلة لا تزال دون حل على الرغم من تقدم AlphaFold. مؤرشف في 13 يوليو 2022 في Wayback Machine ، مدونة Folding@home ، 8 ديسمبر 2020
  59. ↑ سامبل، إيان (21 سبتمبر 2023). "الفريق الذي يقف وراء برنامج الذكاء الاصطناعي ألفافولد يفوز بجائزة لاسكر للعلوم" . صحيفة الغارديان . الرقم الدولي الموحد للدوريات 0261-3077 . مؤرشف من الأصل بتاريخ 10 أكتوبر 2024. تم الاطلاع عليه بتاريخ 9 مايو 2024 . 
  60. ↑ «جائزة نوبل في الكيمياء 2024» . NobelPrize.org . مؤرشف من الأصل بتاريخ 9 أكتوبر 2024. تم الاطلاع عليه بتاريخ 10 أكتوبر 2024 .
  61. ^ دومينغيز ، نونيو (2020-12-02). "الذكاء الاصطناعي يحل إحدى المشكلات الأكثر أهمية في علم الأحياء" . الباييس (بالإسبانية). مؤرشف من الأصل بتاريخ 2022-07-26 . تم الاسترجاع 2024-05-12 .
  62. ↑ بريغز، ديفيد (4 ديسمبر 2020). "إذا كان برنامج Alphafold2 من جوجل قد حلّ بالفعل مشكلة طي البروتين، فعليهم توضيح آلية عمله" . موقع The Skeptic . مؤرشف من الأصل بتاريخ 12 مايو 2024. تم الاطلاع عليه بتاريخ 12 مايو 2024 .
  63. ↑ ديميس هاسابيس ، "تحديث موجز حول بعض التطورات المثيرة في #AlphaFold!" مؤرشف بتاريخ 22 يوليو 2022 في Wayback Machine (تغريدة)، عبر تويتر ، 18 يونيو 2021
  64. ↑ google-deepmind/alphafold3 ، جوجل ديب مايند، 2025-02-08 ، تم الاطلاع عليه في 2025-02-08
  65. ↑ فريق ByteDance AML AI4Science؛ تشن، شينشي؛ تشانغ، يوكسوان. لو تشان. ما، ونزي؛ قوان، جياكي؛ قونغ، تشنغيو. يانغ، جينكاي؛ تشانغ، هانيو. تشانغ، كه؛ وو، شينغهاو؛ تشو، كوانجكي؛ يانغ، يانبينغ؛ ليو، زينيو؛ وانغ، لان؛ شي، بو؛ شي، شاوشين؛ شياو ، ونزي (2025/01/11). “Protenix – تطوير التنبؤ بالبنية من خلال استنساخ AlphaFold3 الشامل”. bioRxiv 10.1101/2025.01.08.631967 . {{cite bioRxiv}}: صيانة CS1: الأسماء الرقمية: قائمة المؤلفين ( رابط )
  66. ^ نداف، مريم (28 أكتوبر 2025). “بنية البروتين مفتوحة المصدر AI تهدف إلى مطابقة AlphaFold”. طبيعة . دوى : 10.1038/d41586-025-03546-y . بميد 41152525 . 
  67. ↑ لين، ز؛ أكين، هـ؛ راو، ر؛ هي، ب؛ تشو، ز؛ لو، و؛ سميتانين، ن؛ فيركويل، ر؛ كابيلي، أ؛ شمويلي، ي؛ دوس سانتوس كوستا، أ؛ فازل-زارندي، م؛ سيركو، ت؛ كانديدو، س؛ ريفز، أ (17 مارس 2023). "التنبؤ على نطاق تطوري ببنية البروتين على المستوى الذري باستخدام نموذج لغوي" . مجلة ساينس . 379 (6637): 1123-1130 . Bibcode : 2023Sci...379.1123L . doi : 10.1126/science.ade2574 . PMID 36927031 . 
  68. ↑ شتاينغر، مارتن؛ سودينغ، يوهانس (2017). "يُمكّن برنامج MMseqs2 من البحث الحساس عن تسلسل البروتين لتحليل مجموعات البيانات الضخمة" . مجلة Nature Biotechnology . 35 (11): 1026-1028 . doi : 10.1038/nbt.3988 . ISSN 1087-0156 . PMID 29035372 .  
  69. ↑ ميرديتا، ميلوت؛ شوتزه، كونستانتين؛ موريوكي، يوشيتاكا؛ هيو، ليم؛ أوفشينيكوف، سيرجي؛ شتاينغر، مارتن (30 مايو 2022). "ColabFold: جعل طي البروتين متاحًا للجميع" . Nature Methods . 19 (6): 679–682 . doi : 10.1038/ s41592-022-01488-1 . PMC 9184281. PMID 35637307 .  
  70. ↑ "قاعدة بيانات بنية البروتين ألفا فولد" . alphafold.ebi.ac.uk . مؤرشفة من الأصل بتاريخ 29-07-2022 . تم الاطلاع عليها بتاريخ 29-07-2021 .
  71. ↑ "قاعدة بيانات بنية البروتين ألفا فولد" . alphafold.ebi.ac.uk . مؤرشفة من الأصل بتاريخ 29 يوليو 2022. تم الاطلاع عليها بتاريخ 27 يوليو 2021 .
  72. ↑ "قاعدة بيانات بنية البروتين ألفا فولد" . www.alphafold.ebi.ac.uk . مؤرشفة من الأصل بتاريخ 2022-08-02 . تم الاطلاع عليها بتاريخ 2021-07-24 .
  73. ↑ إنتربرو (22 يوليو 2021). "توقعات بنية ألفا فولد متوفرة في إنتربرو" . proteinswebteam.github.io . مؤرشف من الأصل بتاريخ 5 نوفمبر 2021. تم الاطلاع عليه بتاريخ 29 يوليو 2021 .
  74. ↑ "وضع قوة ألفافولد بين أيدي العالم" . ديب مايند . ٢٢ يوليو ٢٠٢٢. مؤرشف من الأصل في ٢٤ يوليو ٢٠٢١. تم الاطلاع عليه في ٢٤ يوليو ٢٠٢١ .
  75. ↑ كالاواي، إيوين (28-07-2022). "«عالم البروتينات بأكمله»: الذكاء الاصطناعي يتنبأ بشكل كل بروتين معروف تقريبًا . مجلة نيتشر . 608 (7921): 15-16 . Bibcode : 2022Natur.608...15C . doi : 10.1038/ d41586-022-02083-2 . PMID 35902752. S2CID 251159714 .  
  76. 1 2 لاو، آندي م.؛ بوردين، نيكولا؛ كانداثيل، شون م.؛ سيليتو، إيان؛ وامان، فايشالي ب.؛ ويلز، جود؛ أورينغو، كريستين أ.؛ جونز، ديفيد ت. (نوفمبر 2024). "استكشاف التنوع البنيوي في عالم البروتينات باستخدام موسوعة المجالات" . مجلة ساينس . 386 (6721) eadq4946. Bibcode : 2024Sci...386q4946L . doi : 10.1126/science.adq4946 . PMC 7618865. PMID 39480926 .  
  77. ^ فليمنج، جنيفر. ماجانا، بولينا؛ ناير، سريناث؛ تسينكوف، مكسيم؛ بيرتوني، داميان. بيدروشنا، إيفانا؛ ليما أفونسو، مارسيلو كويرينو؛ مدليك، آدم؛ بارامفال، أورميلا؛ جيدك، أوغسطين؛ ليدون، أجاتا؛ كوفاليفسكي، أوليغ؛ بان، يشوع؛ تشنغ، يونيو؛ أفسيك، زيغا؛ بايكروفت، كلير؛ وونغ، لاي هونغ؛ أخيرًا، ميرا؛ ميرديتا، ميلوت؛ ستينيجر، مارتن؛ كوهلي، بوشميت؛ فارادي، ميهالي؛ فيلانكر ، سمير (أغسطس 2025). "قاعدة بيانات هيكل بروتين AlphaFold ومنارات ثلاثية الأبعاد: بيانات وقدرات جديدة" . مجلة البيولوجيا الجزيئية . 437 (15) 168967. doi : 10.1016/j.jmb.2025.168967 . PMID 40133787 . 
  78. ^ هيكلمان، مارتن ل. دي فريس، إيدا؛ جوستن، روبي ب. بيراكيس ، أناستاسيس (فبراير 2023). "AlphaFill: إثراء نماذج AlphaFold بالروابط والعوامل المساعدة" . طرق الطبيعة . 20 (2): 205– 213. بيب كود : 2023NatCB..20..205H . دوى : 10.1038/s41592-022-01685-y . بمك 9911346 . بميد 36424442 .  
  79. 1 2 روسينيولي، سيرينا؛ باتشيلي، مادالينا؛ مانغانييلو، فرانشيسكا؛ بايارديني، أليساندرو (فبراير 2025). "نظرة مستقبلية على البيولوجيا التركيبية بعد طيّة ألفا: الأدوات والحدود والآفاق" . FEBS Open Bio . 15 (2): 202–222 . doi : 10.1002/2211-5463.13902 . PMC 11788754. PMID 39313455 .  
  80. ^ سباتشكوفا، آنا؛ فافرا، أوندريج؛ راجيك، توماس؛ بازغير، فاتسلاف؛ سيهنال، ديفيد؛ دامبورسكي، جيري؛ سفوبودوفا، رادكا؛ بيدنار، ديفيد؛ بيركا، كاريل (5 يناير 2024). "ChannelsDB 2.0: قاعدة بيانات شاملة لأنفاق البروتين والمسام في عصر AlphaFold" . أبحاث الأحماض النووية . 52 (د1): د413 – د418. دوى : 10.1093/نار/gkad1012 . بمك 10767935 . بميد 37956324 .  
  81. ↑ لانغ، بنجامين؛ بابو، م. مادان (2025). "AlphaSync هي قاعدة بيانات محسّنة لبنية AlphaFold متزامنة مع UniProt" . Nature Structural & Molecular Biology . 32 (12): 2628–2632 . bioRxiv 10.1101/2025.03.12.642845 . doi : 10.1038/s41594-025-01719-x . PMID 41219581 .  
  82. ↑ شايفر، آر دي؛ تشانغ، جيه؛ كونغ، كيو؛ غريشين، إن في (مارس 2026). "ECOD: تصنيف النطاقات في تنبؤات بنية AFDB Swiss-Prot" . PLOS Computational Biology . 22 (3) e1013431. Bibcode : 2026PLSCB..2213431S . doi : 10.1371/journal.pcbi.1013431 . PMC 13048469. PMID 41911251 .  
  83. ↑ سومر، ماركوس جيه؛ تشا، سويونغ؛ فارابيو، أليس؛ رينكون، ناتاليا؛ بارك، سوخوان؛ مينكين، إيليا؛ بيرتيا، ميهايلا؛ شتاينيغر، مارتن؛ سالزبيرغ، ستيفن إل (15 ديسمبر 2022). " تحديد الأشكال المتغايرة الموجهة بالبنية للنسخ الجيني البشري" . eLife . 11 e82556. doi : 10.7554/eLife.82556 . PMC 9812405. PMID 36519529 .  
  84. 1 2 "ما هي حالات الاستخدام التي لا يدعمها برنامج AlphaFold؟" . قاعدة بيانات AlphaFold لبنية البروتين . مؤرشفة من الأصل بتاريخ 29-07-2022 . تم الاطلاع عليها بتاريخ 15-05-2022 .
  85. ↑ يُبشّر مشروع AlphaFold بثورة قائمة على البيانات في علم الأحياء والطب. مؤرشف بتاريخ 10 أكتوبر 2024 في Wayback Machine ، بقلم جانيت إم. ثورنتون ، ورومان أ. لاسكوفسكي، ونيرا بوركاكوتي، مجلة Nature Medicine ، المجلد 12، الصفحات 1666-1669، 12 أكتوبر 2021
  86. ↑ ماكبرايد، جون م.؛ بوليف، كونستانتين؛ عبد الرسولوف، أميربيك؛ راينهارتز، فلاديمير؛ غرزيبوفسكي، بارتوش أ.؛ تلوستي، تسفي (2023-11-20). "يمكن لـ AlphaFold2 التنبؤ بتأثيرات الطفرة المفردة" . مجلة Physical Review Letters . 131 (21) 218401. arXiv : 2204.06860 . Bibcode : 2023PhRvL.131u8401M . doi : 10.1103/PhysRevLett.131.218401 . ISSN 0031-9007 . PMID 38072605. مؤرشف من الأصل في 2024-06-09 . تم الاطلاع عليه بتاريخ 26-11-2023 .  
  87. ↑ ماكبرايد، جون م.؛ تلوستي، تسفي (26 أغسطس 2024). "تشوه البروتين المتوقع بالذكاء الاصطناعي يشفر اضطرابًا في سطح الطاقة" . رسائل المراجعة الفيزيائية . 133 (9) 098401. arXiv : 2311.18222 . Bibcode : 2024PhRvL.133i8401M . doi : 10.1103/PhysRevLett.133.098401 . ISSN 0031-9007 . PMID 39270162 .  
  88. ↑ أبرامسون، جوش؛ أدلر، جوناس؛ دونجر، جاك؛ إيفانز، ريتشارد؛ غرين، تيم؛ بريتزل، ألكسندر؛ رونبرغر، أولاف؛ ويلمور، ليندسي؛ بالارد، أندرو جيه؛ بامبريك، جوشوا؛ بودنشتاين، سيباستيان دبليو؛ إيفانز، ديفيد إيه؛ هونغ، تشيا-تشون؛ أونيل، مايكل؛ ريمان، ديفيد (يونيو 2024). "التنبؤ الدقيق ببنية التفاعلات الجزيئية الحيوية مع ألفا فولد 3" . نيتشر . 630 (8016): 493-500 . Bibcode : 2024Natur.630..493A . doi : 10.1038/s41586-024-07487-w . ISSN 1476-4687 . PMC 11168924 . PMID 38718835 .   
  89. ↑ باجدوناس، هارولداس؛ فوغارتي، كارل أ.؛ فادا، إليسا؛ أغيري، جون (29 أكتوبر 2021). "حالة التعديلات اللاحقة للتنبؤ في قاعدة بيانات بنية البروتين ألفا فولد" ( ملف PDF) . مجلة نيتشر للبنية والبيولوجيا الجزيئية . 28 (11): 869-870 . doi : 10.1038/s41594-021-00680-9 . ISSN 1545-9985 . PMID 34716446. S2CID 240228913. مؤرشف (ملف PDF) من الأصل في 13 يناير 2024. تم الاسترجاع في 13 يناير 2024 .   
  90. ↑ آن، هيون جو؛ فروهليش، جون دبليو؛ ليبريلا، كارليتو بي (1 أكتوبر 2009). "تحديد مواقع الغلكزة وعدم التجانس الموضعي في البروتينات السكرية" . الرأي الحالي في البيولوجيا الكيميائية . التقنيات التحليلية/الآليات. 13 (4): 421-426 . doi : 10.1016/j.cbpa.2009.07.022 . ISSN 1367-5931 . PMC 2749913. PMID 19700364 .   
  91. ^ سكرينجار، بيتر؛ ابرهارت، جيروم. توريلو، جيراردو؛ شويدي، تورستن؛ دريرج، جناني (2025-08-04). “هل تجاوزت طرق طي بروتين ليجند الحفظ؟”. bioRxiv 10.1101/2025.02.03.636309 . 
  92. ↑ ماسترز، ماثيو ر.؛ محمود، عمرو ح.؛ ليل، ماركوس أ. (2025-10-06). "دراسة ما إذا كانت نماذج التعلم العميق للطي المشترك تتعلم فيزياء تفاعلات البروتين مع الليجاند" . نيتشر كوميونيكيشنز . 16 (1): 8854. Bibcode : 2025NatCo..16.8854M . doi : 10.1038/ s41467-025-63947-5 . ISSN 2041-1723 . PMC 12501370. PMID 41053181 .   
  93. ↑ دابروفسكي-تومانسكي، باويل؛ ستاسياك، أندريه (7 نوفمبر 2023). "عدم إدراك برنامج ألفا فولد للحواجز الطوبولوجية يؤثر على قدرته على التنبؤ الصحيح بطوبولوجيا البروتينات" . مجلة Molecules . 28 (22): 7462. doi : 10.3390/molecules28227462 . PMC 10672856. PMID 38005184 .  
  94. ↑ «أحدث إنجازات ديب مايند في مجال الذكاء الاصطناعي قد تُسرّع اكتشاف الأدوية بشكل كبير» . فاست كومباني . ISSN 1085-9241 . مؤرشف من الأصل بتاريخ 24 يناير 2023. تم الاطلاع عليه بتاريخ 24 يناير 2023 . 
  95. ↑ أوبل، مارغو؛ إيشولت، لارس؛ بورنبرغ-باور، إريك (29-03-2023). "تقييم أدوات التنبؤ بالبنية والاضطراب للبروتينات الناشئة حديثًا في عصر التعلم الآلي" . F1000Research . 12 : 347. doi : 10.12688/f1000research.130443.1 . PMC 10126731. PMID 37113259 .  
  96. ↑ ميشو، جينيفر م.؛ مدني، علي؛ فريزر، جيمس س. (نوفمبر 2022). "نموذج لغوي يتفوق على ألفا فولد 2 في تحليل المتغيرات اليتيمة" . مجلة نيتشر للتكنولوجيا الحيوية . 40 (11): 1576-1577 . doi : 10.1038/s41587-022-01466-0 . PMC 9669189. PMID 36192635 .  
  97. ↑ ميدندورف، لاس؛ إيشولت، لارس أ. (يونيو 2024). "البروتينات العشوائية، والبروتينات المُستحدثة، والبروتينات المحفوظة: كيف تختلف مؤشرات البنية والاضطراب في أدائها" . البروتينات . 92 (6): 757-767 . doi : 10.1002/prot.26652 . PMID 38226524 . 
  98. ↑ ليو، جينغ؛ يوان، رونغتشينغ؛ شاو، وي؛ وانغ، جيتونغ؛ سيلمان، إسرائيل؛ سوسمان، جويل ل. (أغسطس 2023). "هل تشبه البروتينات اليتيمة "حديثة التكوين" البروتينات "غير المتكونة أصلاً"؟ دراسة باستخدام ثلاث خوارزميات للتعلم العميق" . البروتينات . 91 (8): 1097-1115 . doi : 10.1002/prot.26496 . PMID 37092778 . 
  99. ↑ "الذكاء الاصطناعي يُمكن أن يُساعد العلماء في إيجاد لقاح لكوفيد-19" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . مؤرشف من الأصل بتاريخ 23 أبريل 2022. تاريخ الاطلاع 1 ديسمبر 2020 . 
  100. 1 2 "التنبؤات الحاسوبية لبنية البروتينات المرتبطة بفيروس كوفيد-19" . ديب مايند . 4 أغسطس 2020. مؤرشف من الأصل في 25 مارس 2022. تم الاطلاع عليه في 1 ديسمبر 2020 .
  101. ↑ "كيف تُسهم تقنية الذكاء الاصطناعي الجديدة لطي البروتينات من ديب مايند في مكافحة جائحة فيروس كورونا" . مجلة فورتشن . مؤرشف من الأصل بتاريخ 30 نوفمبر 2020. تم الاطلاع عليه بتاريخ 1 ديسمبر 2020 .

للمزيد من القراءة