Google DeepMind выпустила AlphaFold 3 с открытым доступом к коду и весам

Google DeepMind релизнули веса и код AlphaFold 3 За предыдущую версию Демису Хассабису дали нобелевку, а эта, по заявлениям гугла, как минимум на 50% лучше. Раньше доступ был лишь через AlphaFold Server, с ограничением в 20 запросов в день. Код уже на гитхабе, а веса доступны по запросу, обещают одобрить или отклонить в течении 3 рабочих дней. Важно: лицензия некоммерческая и очень жёсткая, использование коммерческим организациям и в коммерческих целей запрещено. Также запрещено распространение весов и тренировка своих моделей на аутпутах AF3. Запускается на видяхах с 16 гигами, но с ограничением длины контекста в 1280. Лучше юзать как минимум A100 на 40 гигабайт. Всякие A6000 тоже в теории подходят, но авторы тестировали точность модели только на H100 и A100. А у нас есть кто-то кто пользуется AlphaFold в рабочей деятельности? Как вам? Github Курс по использованию AlphaFold

Инструмент для предсказания трехмерной структуры белков AlphaFold3 стал открытым Полгода назад разработчики Google DeepMind опубликовали в журнале Nature статью о третьем поколении модели ИИ AlphaFold, в которой они подробно описали программный код, но не стали его выкладывать. Это решение шло вразрез с предыдущей практикой DeepMind и вызывало шквал критики. Теперь ученые могут свободно скачать AlphaFold3 и использовать его в некоммерческих целях.

AlphaFold 3 — новейшая версия модели искусственного интеллекта на Python от DeepMind и Isomorphic Labs, предназначенная для предсказания структуры и взаимодействий биомолекул, таких как белки, ДНК, РНК и лекарственные вещества. AlphaFold 3 построена на усовершенствованной архитектуре предыдущей версии AlphaFold 2 и показывает значительное улучшение точности — до 50% в предсказании взаимодействий различных типов молекул. Это открытие позволяет ученым моделировать сложные молекулярные комплексы для биологических исследований, разработки лекарств и новых методов лечения заболеваний. Пакет AlphaFold 3 включает в себя все необходимое для теоретического моделирования структуры белка. Для запуска системы необходимо сконфигурировать входной файл JSON, содержащий информацию о белке, например, его идентификатор и аминокислотную последовательность. Вместе с программным конвейером инференса доступна подробная документация по входным и выходным данным системы, решению известных проблем, настройкам производительности и установке с последующим запуском с помощью Docker. Для локального использования понадобится ОС Linux AlphaFold 3 не поддерживает другие операционные системы примерно 1 ТB дискового пространства для хранения генетических баз данных рекомендуется SSD , 64 GB RAM, GPU NVIDIA с Compute Capability 8.0 или выше. Исходные данные, содержащие 5120 токенов, могут поместиться на одном NVIDIA A100 80 ГБ или одном NVIDIA H100 80 ГБ. Получение параметров модели возможно через подачу заявки в Google DeepMind, доступ предоставляется в течении 2-3 дней по итогам рассмотрения обращения. Любая публикация, основанная на результатах, полученных с использованием AlphaFold 3, должна ссылаться на статью «Accurate structure prediction of biomolecular interactions with AlphaFold 3». AlphaFold 3 не является официально поддерживаемым продуктом Google и ее результаты не предназначены, не проверены и не одобрены для клинического использования. Лицензирование: CC-BY-NC-SA 4.0 Техотчет Demo GitHub

Умный помощник, который всегда под рукой

Alpha Fold 3 уже в опенсорс! Это та самая модель для предсказания структуры молекул, за которую ученым из Google дали Нобелевскую. Код можно найти здесь, веса доступны по заявке

Google DeepMind открыл исходный код своей революционной модели AlphaFold 3, что позволило ученым получить доступ как к коду, так и к обучающим материалам с момента ограниченного выпуска модели в мае. Технология, удостоенная Нобелевской премии, может предсказывать взаимодействия между белками и другими молекулами, такими как ДНК, РНК и потенциальные фармацевтические соединения. Система уже картографировала более 200 миллионов белковых структур, демонстрируя беспрецедентные масштабы в структурной биологии. PRO AI ПОЛЕЗНЫЙ СОФТ НОВОСТИ