Apple發表SimpleFold 挑戰AlphaFold打造輕量級蛋白質摺疊AI

記者黃仁杰／編譯

Google DeepMind 以 AlphaFold 解決蛋白質三維結構預測問題，被譽為科學奇蹟，但計算成本極高。為此，Apple 研究團隊提出替代方案 SimpleFold，採用較為輕量的運算架構，顯示出具潛力的成果，目標是在藥物研發與新材料設計等領域提供更高效的工具。

捨棄繁複架構 改用Flow Matching技術

傳統蛋白質摺疊模型，如 AlphaFold2 和 RoseTTAFold，需要仰賴多重序列比對（MSA）、交互作用圖與三角更新等複雜模組，雖然精準，卻高度耗費算力。Apple 在 SimpleFold 中選擇了 Flow Matching 模型，這是 2023 年受到關注的新技術，常見於文字轉影像或文字轉3D的應用。此方法能直接將隨機噪音轉換為結果，避免傳統擴散模型逐步去噪的多重步驟，因此能以更快速度和更低成本生成結果。

多種規模測試 表現接近最強模型

Apple 將 SimpleFold 訓練於不同規模，從 1 億到 30 億參數不等，並在 CAMEO22 與 CASP14 兩大公認嚴格的評測基準上進行測試。結果顯示，SimpleFold 的表現穩定且優於同樣採用 Flow Matching 的 ESMFlow，甚至在多數指標上達到 RoseTTAFold2 與 AlphaFold2 表現的 95% 水準。更小規模的 SimpleFold-100M 也展現超過 90% 的準確度，證明此架構在效率與效能間取得良好平衡。

具延展性與未來潛力 邁向蛋白質生成新方向

研究團隊指出，SimpleFold 在模型規模擴張下，效能隨之提升，特別在最具挑戰性的測試中表現更為突出。Apple 強調，SimpleFold 只是第一步，期望能推動學界和產業建立更高效、強大的蛋白質生成模型，為藥物設計與材料科學開創更多可能。

來源：9to5mac