生物學變天：小扎的新開源模型，徹底掀翻谷歌AlphaFold王座

### 祖克柏旗下 Biohub 推出 ESMFold2：開源模型正面挑戰 AlphaFold 霸主地位

蛋白質結構預測領域長期由 DeepMind 的 AlphaFold 系列獨占鰲頭，但這項技術的壟斷格局可能正在鬆動。由馬克·祖克柏（Mark Zuckerberg）資助的非營利研究機構「Chan Zuckerberg Biohub」，近日正式發表全新開源模型 ESMFold2，一口氣預測了多達 11 億個蛋白質結構，數量比 AlphaFold 現有的公開資料庫整整多出 8 億條，並且完全開源釋出。這項突破不僅刷新了規模紀錄，更以「開源」策略直接挑戰 Google 旗下 DeepMind 的封閉生態。

### 重點整理：ESMFold2 的關鍵三大亮點

首先，ESMFold2 在預測規模上取得壓倒性優勢。根據 Biohub 公開的資訊，該模型一口氣產出 11 億個蛋白質結構，涵蓋細菌、病毒、植物與人類等廣泛物種，遠超過 AlphaFold 資料庫的約 3 億條結構。其次，ESMFold2 完全開源，包括模型權重、訓練程式碼與推理管線，讓全球學術機構與生技公司都能免費使用、修改與部署，相較於 AlphaFold 雖然有開放資料庫但模型本身仍受 Google 授權限制，開源程度更高。第三，ESMFold2 採用「語言模型」架構，直接從蛋白質序列學習結構，無需像 AlphaFold 那樣仰賴多序列比對（MSA）與模板，運算效率與可擴展性大幅提升。

### 背景脈絡：AlphaFold 為何需要被挑戰？

自 2021 年 AlphaFold2 發表以來，它已經預測了超過 2 億個蛋白質結構，徹底改變結構生物學的研究方式。但 AlphaFold 仍有兩個主要限制：一是深度學習模型本身並非完全開源，研究人員無法自由修改或重新訓練；二是運算資源門檻極高，每次預測都需要進行多序列比對，對於大規模蛋白質家族（如微生物暗物質）的掃描並不經濟。此外，AlphaFold 對「無序蛋白質」或「多樣性構型」的預測準確度仍有侷限。ESMFold2 的出現，正是試圖以更輕量、更開放的方式補足這些缺口。

### 可能影響：開源生態將加速藥物研發與基礎科學

ESMFold2 的開源特性將對生物科技產業產生深遠影響。過去，中小型實驗室若要使用 AlphaFold 進行大規模篩選，必須仰賴 DeepMind 的伺服器或自建高成本運算叢集；現在，ESMFold2 允許研究者在本地或雲端自由部署，甚至針對特定物種進行微調。這將大幅降低蛋白質結構預測的進入門檻，尤其有利於新興病原體（如未知病毒）的快速結構解析、抗體設計與藥物標靶篩選。另一方面，開源社群可以接力改進模型，例如加入翻譯後修飾、突變效應預測等功能，形成比封閉模型更快的創新循環。

### Google 的 AlphaFold 地位是否真的被「掀翻」？

儘管 ESMFold2 在「數量」與「開源」兩方面勝出，但學術界對其預測品質仍有討論空間。AlphaFold 在 CASP 競賽中累積的頂尖準確度（尤其是高解析度局部結構）仍是金標準；ESMFold2 目前公開的評測結果顯示，在部分指標上與 AlphaFold 接近，但在多域蛋白與複雜配體結合位點方面仍有差距。因此，與其說「掀翻王座」，更準確的描述是：開源模型首次在規模與可及性上取得對等競爭力，迫使 Google 與 DeepMind 必須重新思考其開放策略。短期內，AlphaFold 仍是高精度研究的首選，但長遠來看，開源生態的集體進步可能逐步縮小差距。

### 讀者可關注的後續：三大關鍵動態值得追蹤

對於關注 AI 與生物學融合的讀者，接下來有三件事值得密切觀察。第一，**開源社群的採用率**：ESMFold2 的 GitHub 儲存庫是否會迅速湧入貢獻者？是否會出現第三方優化版？這將決定其能否形成正向循環。第二，**DeepMind 的回應**：Google 是否會推出更開放的 AlphaFold