Google DeepMind 與 Biohub 專家剖析 AlphaFold 局限：單純堆疊算力無法解決蛋白質動態與全生物系統模擬

Google DeepMind 研究團隊 Pushmeet Kohli 與 Chan Zuckerberg Biohub 的 Sal Candido 近日於專訪中指出，AlphaFold 的突破尚未徹底解決蛋白質折疊問題，盲目擴大運算資源與模型規模無法直接推導出完整的生物學理解。訪談內容提到，AlphaFold 仰賴高度手工設計的架構與科學直覺，且現有成果主要集中於靜態結構預測，仍難以捕捉蛋白質動態變化（protein dynamics）與內在無序（disorder）特徵。Candido 表示，生物領域的 Scaling Law 並非自然存在，必須先找出輸入更多運算與資料時能穩定產出更佳成果的資料類型，例如低品質的宏基因組（metagenomic）資料已被證明能改善蛋白質語言模型。兩位專家認為，若要讓藥物研發達到 10 倍至 100 倍的突破，生物 AI 必須從單一蛋白質轉向構建全生物系統與虛擬細胞，並嘗試利用低溫冷凍電鏡（cryo-EM）顯微影像等新資料模態以提取更深層的生物表徵。