蛋白质一直难以建模，尤其是人们想要“反向操作”——将所需的功能转化为蛋白质结构，更是一个高难度挑战。

美国麻省理工学院团队8月宣布将注意力神经网络与图神经网络相结合，以更好地理解和设计蛋白质。该方法将几何深度学习与语言模型的两种优势结合起来，不仅可预测现有蛋白质特性，还可设想自然界尚未设计出的新蛋白质。此次新模型通过对基本原理建模，将大自然发明的一切作为基础，重新组合了这些自然构建块。团队在训练模型时，根据不同蛋白质的功能来预测它们的序列、溶解度和氨基酸组成部分。然后，在收到新蛋白质功能的初始参数后，模型发挥出创造力并生成了全新的结构。

无独有偶，“深度思维”公司也在今年公布了新一代“阿尔法折叠”，其不仅准确性显著提高，预测范围还从蛋白质扩展到其他生物分子，包括配体。该模型已可预测蛋白质数据库（PDB）中的几乎所有分子，精度则可达到原子级。