1
AlphaGo
Shares tags: ai
AI Tool
Revue d'AlphaFold 2
AlphaFold 2 est un système d'IA développé par DeepMind qui a considérablement amélioré la précision de la prédiction de la structure des protéines, transformant la biologie moléculaire en un terrain de jeu d'optimisation pour l'IA.
1A obtenu un score médian au test de distance globale (GDT) de plus de 90 lors de CASP14 (2020), indiquant une précision quasi-atomique.
2A prédit plus de 200 millions de structures protéiques, mises gratuitement à disposition via l'AlphaFold Protein Structure Database.
3L'article sur AlphaFold 2 a été cité environ 43 000 fois d'ici novembre 2025.
4AlphaFold 3, lancé en mai 2024, a étendu les capacités de prédiction pour inclure les complexes avec l'ADN, l'ARN et les ligands.
Connect
</>Embed "Featured on Stork" Badge▼
<a href="https://www.stork.ai/en/alphafold-2" target="_blank" rel="noopener noreferrer"><img src="https://www.stork.ai/api/badge/alphafold-2?style=dark" alt="AlphaFold 2 - Featured on Stork.ai" height="36" /></a>
[](https://www.stork.ai/en/alphafold-2)
overview
Qu'est-ce qu'AlphaFold 2 ?
AlphaFold 2 est un modèle d'apprentissage automatique développé par Google DeepMind qui permet aux scientifiques et aux chercheurs de prédire la structure tridimensionnelle (3D) des protéines à partir de leurs séquences d'acides aminés. Ce système a atteint une précision quasi-atomique dans la prédiction de la structure des protéines, accélérant la recherche en biologie structurale et la découverte de médicaments. Le programme utilise des réseaux neuronaux pour générer des modèles de coordonnées atomiques 3D à partir d'entrées d'acides aminés. Son développement a marqué une avancée significative dans le domaine, comme en témoigne sa performance lors de l'évaluation critique de la prédiction de la structure des protéines (CASP14) en 2020, où il a obtenu un score médian au test de distance globale (GDT) dépassant 90. AlphaFold 2 a joué un rôle déterminant dans la prédiction des structures de plus de 200 millions de protéines, qui sont accessibles ouvertement via l'AlphaFold Protein Structure Database, une collaboration entre Google DeepMind et l'EMBL-EBI.
quick facts
Faits rapides
| Attribut | Valeur |
|---|---|
| Développeur | DeepMind (Google DeepMind) |
| Modèle économique | Freemium / Noyau Open Source |
| Tarification | Gratuit (AlphaFold Protein Structure Database) ; Gratuit pour usage académique (code AlphaFold 2) ; Gratuit pour usage académique avec licence restreinte (code AlphaFold 3) ; Accès commercial via Isomorphic Labs |
| Plateformes | Web (AlphaFold Protein Structure Database), Déploiement local (code open source) |
| API Disponible | Oui (via Isomorphic Labs pour usage commercial, ou déploiement local) |
| Fondé | DeepMind (2010), Percée AlphaFold 2 (2020) |
| Siège social | Londres, Royaume-Uni |
features
Fonctionnalités clés d'AlphaFold 2
AlphaFold 2 offre une suite de capacités centrées sur la prédiction de structures moléculaires de haute précision, ayant un impact significatif sur la recherche biologique et le développement de médicaments.
- 1Prédiction de structures protéiques de haute précision, atteignant une résolution quasi-atomique avec un score GDT médian supérieur à 90 lors de CASP14.
- 2Prédiction de structures 3D pour les protéines et autres molécules biologiques, y compris l'ADN, l'ARN et divers ligands (étendue avec AlphaFold 3).
- 3Prédiction des interactions entre les protéines, l'ADN, l'ARN et les ligands, cruciale pour la compréhension des fonctions cellulaires (AlphaFold 3).
- 4Accès ouvert à plus de 200 millions de structures protéiques prédites via l'AlphaFold Protein Structure Database.
- 5Identification des Régions Intrinsèquement Désordonnées (IDRs) grâce à sa métrique de confiance locale (pLDDT).
- 6Facilite la détermination expérimentale de structures en fournissant des points de départ précieux pour des méthodes comme la cristallographie aux rayons X et la cryo-ME.
- 7Accélère l'identification et la validation de cibles dans la découverte de médicaments en fournissant des structures pour des protéines auparavant non caractérisées.
- 8Soutient la conception de médicaments basée sur la structure, permettant un criblage virtuel plus précis et une conception rationnelle de composés.
use cases
Qui devrait utiliser AlphaFold 2 ?
AlphaFold 2 est principalement utilisé par les communautés scientifiques et de recherche pour faire progresser la compréhension de la biologie moléculaire et accélérer le développement thérapeutique.
- 1Scientifiques : Pour comprendre les mécanismes des maladies, en particulier celles liées au repliement incorrect des protéines (par exemple, Alzheimer, Parkinson), et faire progresser la recherche biologique fondamentale.
- 2Chercheurs : Pour accélérer les processus de découverte et de développement de médicaments en fournissant des structures protéiques précises pour l'identification et la validation de cibles.
- 3Biotechnologistes : Pour développer de nouveaux traitements et vaccins en élucidant les structures des protéines pathogènes et les interactions hôte-pathogène.
- 4Biologistes structuraux : Pour faciliter la détermination expérimentale de structures, aidant à l'interprétation des données de basse résolution issues de techniques comme la cryo-ME et la spectroscopie RMN.
- 5Entreprises pharmaceutiques : Pour une conception de médicaments basée sur la structure améliorée, permettant un criblage virtuel plus précis et une conception rationnelle de composés avec de meilleures affinités de liaison.
pricing
Tarification et plans d'AlphaFold 2
AlphaFold 2 fonctionne sur un modèle freemium, avec un accès aux données de base et au code académique fourni sans coût direct, tandis que les applications commerciales sont acheminées via une entité dédiée.
- 1AlphaFold Protein Structure Database : Un accès gratuit est fourni à plus de 200 millions de structures protéiques prédites, une collaboration entre Google DeepMind et l'EMBL-EBI.
- 2AlphaFold 2 (Code) : Le code source d'AlphaFold 2 est open source et librement disponible à des fins de recherche académique et non commerciale.
- 3AlphaFold 3 (Code) : Le code source d'AlphaFold 3 a été publié en novembre 2024 pour un usage académique, bien qu'avec une licence restreinte par rapport à AlphaFold 2.
- 4Usage commercial : L'accès commercial aux capacités d'AlphaFold, en particulier pour la découverte et le développement de médicaments, est fourni via Isomorphic Labs, une spin-off de Google DeepMind.
competitors
AlphaFold 2 vs Concurrents
AlphaFold 2 a significativement surpassé tous les autres algorithmes lors de la compétition CASP14 en 2020, établissant une nouvelle référence pour la prédiction de la structure des protéines. Cependant, plusieurs alternatives ont émergé, offrant différents compromis en termes de précision, de vitesse et de licence.
- 1AlphaFold 2 vs RoseTTAFold : AlphaFold 2 a démontré une précision supérieure lors de CASP14, tandis que RoseTTAFold, développé par le Baker Lab, offre une précision comparable en utilisant un réseau neuronal à trois pistes et fournit son code sous licence MIT, bien que les poids entraînés soient destinés à un usage non commercial.
- 2AlphaFold 2 vs ESMFold (Meta AI) : AlphaFold 2 offre généralement une plus grande précision pour les structures protéiques complexes, tandis qu'ESMFold, exploitant un modèle de langage protéique, est réputé pour être significativement plus rapide et plus efficace, en particulier pour les prédictions à partir d'une seule séquence.
- 3AlphaFold 2 vs OpenFold : AlphaFold 2 est l'implémentation originale de DeepMind, tandis qu'OpenFold est une réimplémentation open source rapide, économe en mémoire et entièrement entraînable, construite de toutes pièces pour égaler la précision d'AlphaFold 2, offrant transparence et personnalisation aux chercheurs.
❓
Frequently Asked Questions
+Qu'est-ce qu'AlphaFold 2 ?
AlphaFold 2 est un modèle d'apprentissage automatique développé par Google DeepMind qui permet aux scientifiques et aux chercheurs de prédire la structure tridimensionnelle (3D) des protéines à partir de leurs séquences d'acides aminés. Ce système a atteint une précision quasi-atomique dans la prédiction de la structure des protéines, accélérant la recherche en biologie structurale et la découverte de médicaments.
+AlphaFold 2 est-il gratuit ?
Oui, l'AlphaFold Protein Structure Database, contenant plus de 200 millions de structures protéiques prédites, est librement accessible. Le code source d'AlphaFold 2 est open source pour la recherche académique et non commerciale. Le code d'AlphaFold 3 est également open source pour un usage académique avec une licence restreinte. L'accès commercial aux capacités d'AlphaFold est fourni via Isomorphic Labs.
+Quelles sont les principales fonctionnalités d'AlphaFold 2 ?
Les principales fonctionnalités d'AlphaFold 2 incluent la prédiction de structures protéiques 3D de haute précision, la prédiction des interactions avec l'ADN, l'ARN et les ligands (AlphaFold 3), l'accès ouvert à plus de 200 millions de structures prédites via sa base de données, et la capacité à identifier les régions intrinsèquement désordonnées. Il contribue significativement à la découverte de médicaments et à la détermination expérimentale de structures.
+Qui devrait utiliser AlphaFold 2 ?
AlphaFold 2 est principalement destiné aux scientifiques, chercheurs, biotechnologistes et biologistes structuraux. Ses applications couvrent la compréhension des mécanismes des maladies, l'accélération de la découverte de médicaments, le développement de nouveaux traitements et vaccins, et la facilitation de la détermination expérimentale de structures dans les milieux académiques et pharmaceutiques.
+Comment AlphaFold 2 se compare-t-il aux alternatives ?
AlphaFold 2 a établi une nouvelle norme de précision lors de CASP14. Comparé à RoseTTAFold, AlphaFold 2 offre généralement une plus grande précision, tandis que RoseTTAFold fournit des résultats comparables avec un code sous licence MIT. ESMFold (Meta AI) est réputé pour sa vitesse de prédiction significativement plus rapide à partir de séquences uniques, et OpenFold est une réimplémentation open source conçue pour égaler la précision d'AlphaFold 2 et offrir une plus grande transparence.