Skip to content
Stork.AIstork.ai
Ferramenta de IA

Revisão do AlphaFold 2

AlphaFold 2 é um sistema de IA desenvolvido pela DeepMind que avançou significativamente a precisão da previsão da estrutura de proteínas, transformando a biologia molecular em um campo de otimização para IA.

shipped 2 de abr. de 2026aifreemium
ai
AlphaFold 2 - AI tool for alphafold. Professional illustration showing core functionality and features.

Por que importa

1Alcançou uma pontuação mediana no teste de distância global (GDT) de mais de 90 no CASP14 (2020), indicando precisão quase atômica.
2Previu mais de 200 milhões de estruturas de proteínas, disponibilizadas gratuitamente através do AlphaFold Protein Structure Database.
3O artigo do AlphaFold 2 foi citado aproximadamente 43.000 vezes até novembro de 2025.
4AlphaFold 3, lançado em maio de 2024, expandiu as capacidades de previsão para incluir complexos com DNA, RNA e ligantes.

Stork’s verdict on AlphaFold 2

AlphaFold 2 oferece atomic-level protein structure prediction, mas aplicá-lo eficazmente ainda exige experiência especializada no domínio.

Especificações

GitHub

Ver repositório →

API disponível

Sim, API pública

overview

O que é o AlphaFold 2?

AlphaFold 2 é um modelo de machine learning desenvolvido pelo Google DeepMind que permite a cientistas e pesquisadores prever a estrutura tridimensional (3D) de proteínas a partir de suas sequências de aminoácidos. Este sistema alcançou precisão quase atômica na previsão da estrutura de proteínas, acelerando a pesquisa em biologia estrutural e descoberta de medicamentos. O programa utiliza redes neurais para gerar modelos de coordenadas atômicas 3D a partir de entradas de aminoácidos. Seu desenvolvimento marcou um avanço significativo no campo, como evidenciado por seu desempenho na Critical Assessment of protein Structure Prediction (CASP14) em 2020, onde alcançou uma pontuação mediana no teste de distância global (GDT) superior a 90. AlphaFold 2 tem sido fundamental na previsão das estruturas de mais de 200 milhões de proteínas, que são abertamente acessíveis através do AlphaFold Protein Structure Database, uma colaboração entre Google DeepMind e EMBL-EBI.

features

Principais Recursos do AlphaFold 2

AlphaFold 2 oferece um conjunto de capacidades centradas na previsão de estruturas moleculares de alta precisão, impactando significativamente a pesquisa biológica e o desenvolvimento de medicamentos.

  • Previsão de estrutura de proteínas de alta precisão, alcançando resolução quase atômica com uma pontuação mediana de GDT superior a 90 no CASP14.
  • Previsão de estruturas 3D para proteínas e outras moléculas biológicas, incluindo DNA, RNA e vários ligantes (expandido com AlphaFold 3).
  • Previsão de interações entre proteínas, DNA, RNA e ligantes, crucial para a compreensão das funções celulares (AlphaFold 3).
  • Acesso aberto a mais de 200 milhões de estruturas de proteínas previstas através do AlphaFold Protein Structure Database.
  • Identificação de Regiões Intrinsecamente Desordenadas (IDRs) através de sua métrica de confiança local (pLDDT).
  • Facilita a determinação experimental de estruturas, fornecendo pontos de partida valiosos para métodos como X-ray crystallography e cryo-EM.
  • Acelera a identificação e validação de alvos na descoberta de medicamentos, fornecendo estruturas para proteínas previamente não caracterizadas.
  • Suporta o design de medicamentos baseado em estrutura aprimorado, permitindo triagem virtual mais precisa e design racional de compostos.

use cases

Quem Deve Usar o AlphaFold 2?

AlphaFold 2 é principalmente utilizado por comunidades científicas e de pesquisa para avançar a compreensão da biologia molecular e acelerar o desenvolvimento terapêutico.

  • Cientistas: Para entender mecanismos de doenças, particularmente aqueles ligados ao dobramento incorreto de proteínas (por exemplo, Alzheimer, Parkinson), e avançar a pesquisa biológica fundamental.
  • Pesquisadores: Para acelerar os processos de descoberta e desenvolvimento de medicamentos, fornecendo estruturas de proteínas precisas para identificação e validação de alvos.
  • Biotecnólogos: Para desenvolver novos tratamentos e vacinas, elucidando as estruturas de proteínas patogênicas e interações hospedeiro-patógeno.
  • Biólogos Estruturais: Para facilitar a determinação experimental de estruturas, auxiliando na interpretação de dados de baixa resolução de técnicas como cryo-EM e NMR spectroscopy.
  • Empresas Farmacêuticas: Para design de medicamentos baseado em estrutura aprimorado, permitindo triagem virtual mais precisa e design racional de compostos com melhores afinidades de ligação.

pricing

Preços e Planos do AlphaFold 2

AlphaFold 2 opera em um modelo freemium, com acesso a dados essenciais e código acadêmico fornecido sem custo direto, enquanto as aplicações comerciais são canalizadas através de uma entidade dedicada.

  • AlphaFold Protein Structure Database: Acesso gratuito é fornecido a mais de 200 milhões de estruturas de proteínas previstas, uma colaboração entre Google DeepMind e EMBL-EBI.
  • AlphaFold 2 (Código): O código-fonte do AlphaFold 2 é de código aberto e está disponível gratuitamente para fins de pesquisa acadêmica e não comercial.
  • AlphaFold 3 (Código): O código-fonte do AlphaFold 3 foi lançado em novembro de 2024 para uso acadêmico, embora com uma licença restrita em comparação com o AlphaFold 2.
  • Uso Comercial: O acesso comercial às capacidades do AlphaFold, particularmente para descoberta e desenvolvimento de medicamentos, é fornecido através da Isomorphic Labs, uma spin-off do Google DeepMind.

Políticas

Nível gratuito

Vendor website advertises a free tier.

Ferramentas similares

AlphaFold 2 vs Concorrentes

AlphaFold 2 superou significativamente todos os outros algoritmos na competição CASP14 em 2020, estabelecendo um novo marco para a previsão da estrutura de proteínas. No entanto, várias alternativas surgiram, oferecendo diferentes compromissos em termos de precisão, velocidade e licenciamento.

1
RoseTTAFold↗

It's a deep learning network that achieved similar accuracy to AlphaFold 2 and has evolved into RoseTTAFold All-Atom, capable of modeling more complex biological assemblies including proteins, nucleic acids, small molecules, and metals.

RoseTTAFold demonstrated comparable accuracy to AlphaFold 2 in protein structure prediction, particularly in the CASP14 competition. Its 'All-Atom' version extends its capabilities beyond just proteins to a wider range of biomolecules, whereas AlphaFold 2 primarily focused on single protein chains and multimers, though AlphaFold 3 has expanded to predict interactions with DNA, RNA, and ligands.

2
ESMFold↗

It predicts protein structures from a single amino acid sequence using a protein language model, offering significantly faster prediction speeds compared to methods relying on multiple sequence alignments.

ESMFold offers comparable accuracy to AlphaFold 2 but with a major advantage in speed, as it doesn't require computationally expensive multiple sequence alignments (MSAs). AlphaFold 2 relies heavily on MSAs for its predictions. ESMFold is also available for free.

3
OpenFold↗

It is a fast, memory-efficient, and fully trainable open-source implementation of AlphaFold 2, designed to match its accuracy.

OpenFold aims to replicate and provide an open-source alternative to AlphaFold 2's capabilities and accuracy. While AlphaFold 2's code was open-sourced, OpenFold was built from the ground up to be a robust and generalizable implementation, addressing some of the challenges of using the original AlphaFold 2 code.

4
NVIDIA BioNeMoOn StorkCompare

It's a comprehensive cloud service and framework for drug discovery that integrates various AI models, including protein language models and OpenFold, for biomolecular prediction and generation.

BioNeMo is a broader platform for drug discovery that includes protein structure prediction capabilities (e.g., via OpenFold and other large language models) rather than being solely a protein structure predictor like AlphaFold 2. It offers a framework for training and deploying large-scale biomolecular models, providing a more extensive toolkit for researchers.

Visitar AlphaFold 2↗
Conectar
⌘
GitHubgithub.com/google-deepmind/alphafold3?utm_source=deepmind.google&utm_medium=referral&utm_campaign=gdm&utm_content=

AI Reputation Report

Is AlphaFold 2 yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about AlphaFold 2 every day. See whether they name AlphaFold 2 — or send buyers to a rival.

See what AI saysfree preview

Featured in articles