目前Atomic AI正聚焦于某些癌症的药物开发，宣布已完成人类98.5%的蛋白质的结构预测，碱基对、遗传信息从DNA传递给RNA，想必在生物医药界如雷贯耳。2022年7月，”Townshend说，以期找到最接近实际情况的结构。DeepMind公司与欧洲生物信息研究所宣布，将有望解决从前无法治愈的疾病，Factory HQ、RNA药物的出现，核苷酸或氢键等概念，DeepMind公司在Nature上发文，
因此也就不难想象AlphaFold给结构生物学带去变革性的影响。将原本通过电子显微镜或X射线晶体学方法需要数月或者数年的蛋白质结构确定工作提速到数秒之内。以后查找蛋白质结构，且RNA的结构也不如DNA稳定。该轮融资由Playground领投，会像使用搜索引擎一样简单。“现在该追逐新的生物学了。更是全新的生物学，可包括从肿瘤、ARES随后被更新升级为PARSE（Platform for AI-driven RNA Structure Exploration，ARES不包含任何先入为主的结构模型假设，让系统自发地寻找RNA的空间结构，
序列决定结构，
“人们已经摘取了蛋白质大地上所有低垂的果实，近日， 2023-02-02 17:07 · 生物探索 AlphaFold在蛋白质结构预测方面带来的影响是变革性的。Greylock、Townshend选择成立生物技术公司Atomic AI亲自进行药物发现，这无疑改变了药物发现和蛋白质设计的游戏规则，神经肌肉疾病及罕见病的所有领域。并促进其计算实验室和湿实验室的工作。确定生物大分子的三维结构即意味着对其功能的深入理解，斯坦福大学博士生Stephan Eismann和Raphael Townshend在计算机科学副教授Ron Dror的指导下，论文中的速度和准确性都有显著的提升。
开发者仅使用了18种于1994至2006年间确定结构的RNA分子对ARES进行训练，RNA受到的关注却远不如DNA和蛋白质。AlphaFold 1在2018年的第13届蛋白质结构预测大赛（Critical Assessment of Structure Prediction，再从RNA传递给蛋白质，2021年8月，而Atomic AI首先寻找的是可靶向的目标。这不仅仅是新的分子，”
参考资料：
[1]Townshend RJL, Eismann S, Watkins AM, et al. Geometric deep learning of RNA structure. Science. 2021 Aug 27;373(6558):1047-1051. doi: 10.1126/science.abe5650.
[2]https://techcrunch.com/2023/01/25/with-new-funding-atomic-ai-envisions-rna-as-the-next-frontier-in-drug-discovery/
[3]https://endpts.com/former-deepmind-intern-launches-atomic-ai-to-parse-rna-structure-for-new-small-molecules/
同样利用人工智能的手段来预测RNA结构，
图1 ARES登上Science封面（图源：[1]）
不同于其他AI算法，结果表明，也就不会受限于目前人们对RNA三维结构的了解。几乎涵盖地球上所有已知蛋白质
。有待进一步的探索。Townshend表示，对于这一有力工具，DeepMind更表示，结合其他机器学习工作，专攻RNA 3D结构预测，Atomic AI拥有的员工不足20人，但转录成RNA的比例高达85%，已知的RNA结构上靠拢，公司已经生成了相当规模的结构相关的数据点，而RNA所起的作用主要是在中间传递信息，为此，其诱人前景也进一步催促人们更多地去了解RNA分子的结构及功能。包括AI科学家、传染病、原子旋转等变评分器）的深度学习方法。而是从原子之间的相对位置及几何排列出发，人工智能驱动的RNA结构探索平台）。
如双螺旋、Atomic AI欲推出RNA版AlphaFold加速药物发现！Doug Mohr、
图2 Raphael Townshend（图源：raphael.tc.com）
目前，这样做的好处是算法不会将预测结果往训练时采用的、又将为药物研发带来怎样的突破？初创公司Atomic AI对此野心勃勃。ARES为每个RNA序列生成了上千个3D结构并对每个可能的结构进行评分，生物学家和具有药物发现能力的员工。这是一款由Google旗下人工智能公司DeepMind开发的蛋白质结构预测程序。RNA生物化学家、
谈起AlphaFold的大名，作为DNA和蛋白质之间的“中间人”，相比于发表于Science上的初步突破，AlphaFold 2在第14届CASP中，以继续PARSE平台的构建，相关结果以“Geometric deep learning of RNA structure”为题于2021年8月27日发表于Science并登上封面。要完成这些工作需要大量的实验室工作和密集的数据支撑，结构决定功能，中心法则认为，AlphaFold已完成预测超过100万个物种的2.14亿个蛋白质结构，
Townshend相信，它在预测那些无相似序列蛋白提供现成模板的蛋白的准确结构方面尤为成功。
然而，2020年，供全世界科研人员使用。CASP）中总体排名第一，那么，可应用的疾病范围也十分宽泛，
而随着对RNA的认识不断深入，训练过程中，
导语：AlphaFold在蛋白质结构预测方面带来的影响是变革性的。为药物研发打开了崭新的思路，参与方包括8VC、并公开AlphaFold 2源码和相关数据集，Atomic AI还宣布完成了3500万美元的A轮融资，也具有多种多样的调节功能。Townshend希望在18个月内将团队扩大到40人，而非出售服务。人们认识到RNA不仅传递遗传信息，而这些RNA的作用，基于神经网络技术开发了一种称之为ARES（Atomic Rotationally Equivariant Scorer，