Google DeepMind與Isomorphic Labs持續合作發展蛋白質預測模型AlphaFold，現在開發出更強大的新版本，覆蓋範圍從蛋白質擴展到所有與生物相關的分子，並能夠對蛋白質資料庫中幾乎所有分子進行預測，且能達到原子等級的精確度。

DeepMind在2020年的時候，首次推出蛋白質預測模型AlphaFold，而這讓研究人員能以全新方式理解蛋白質與其交互作用。AlphaFold是對單股蛋白質預測的突破性研究，而後的AlphaFold-Multimer，則是進一步擴展到擁有多個蛋白質鏈的複合物，而AlphaFold 2.3則擴展到更複雜的複合物。

之前AlphaFold也與EMBL的歐洲生物資訊研究所（EMBL-EBI）合作，透過AlphaFold蛋白質結構資料庫，公開所有目前已知的蛋白質結構預測。而AlphaFold資料庫也已經成為重要的科學研究資源，到目前為止已經超過190個國家140萬用戶進行存取，同時AlphaFold也被用於加速新型疫苗和藥物的開發。

在某些與藥物開發相關的蛋白質結構預測問題，最新版本的AlphaFold效能遠勝2.3版本，其能夠準確預測蛋白質與配體（Ligand）的綁定結構，研究人員指出，這對於藥物開發非常有價值。目前生醫產業主要使用對接方法（Docking Methods），來確定配體和蛋白質間的交互作用，但這類方法需要固定參考蛋白質結構，和配體綁定位置。

不過，新模型卻不需要這些參考資訊，就能預測蛋白質與配體的結構，並且最終的結果也能超越目前最佳的對接方法，此外，新版本AlphaFold還可以模擬所有原子的位置，表達出蛋白質和核酸，在與其他分子交互作用時的靈活性。

由於對接方法需要假設蛋白質和配體結構在交互時維持不變，因此就無法捕捉到這些結構的動態變化，因此整體來說，新模型能夠提供更為準確且全面的交互作用結構資訊。研究人員的實驗也證明，新模型預測的結構，與實驗所得到結構非常相近。

目前Isomorphic Labs正在利用最新的AlphaFold設計治療性藥物，藉由運用AlphaFold快速且準確地描繪出對治療疾病重要的大分子結構。研究人員提到，該模型新增的功能，有助於加速生物醫學的突破，在疾病途徑（Disease Pathways）、基因體學、生物可再生材料和藥物設計機制等領域，提供更深入的理解。