David Baker David Baker 表示，2020年 DeepMind 在CASP14大会上的表现，给业界带来极大震撼，AlphaFold系统对蛋白结构的预测如此精准，让学术界产生了许多悲观情绪，他自己甚至一度觉得要失业了。 但他很快调整心态，决定挑战AlphaFold系统。 Baker带领的团队开发出的RoseTTAFold，初衷就是因为DeepMind没有开源AlphaFold的代码，最后他们联合哈佛大学、剑桥大学等机构研发出了这个基于深度学习的RoseTTAFold，准确率上媲美AlphaFold2，而且所需算力仅为其零头，团队也已经在github上开源了代码，这让很多条件落后的单位也有机会使用这些AI工具。RoseTTAFold 是一个三轨道神经网络，输入兼顾了蛋白质序列、氨基酸如何相互作用以及蛋白质可能的三维结构，然后采用类似RNN的循环结构，让三个维度的信息可以来回交流，所以预测会天然考虑物理和化学作用。
从Github目前的Star数量来看，DeepMind的AlphaFold更胜一筹，有两千多个，RoseTTAFold只有三百多。 但是从可行性上来讲，RoseTTAFold要好一些，毕竟比起有谷歌支持的Deepmind，动辄上T的内存需求和超贵的显卡，不是哪个实验室都能拥有。 那看看Deepmind这次开源发表的文章有无更好看的点。 Deepmind的首席执行官哈赛比斯等人在 Nature 的文章名为《Highly accurate protein structure prediction with AlphaFold》，首次透露了AlphaFold的完整方法论，包括设计原理和细节，并开源了代码，它可以在原子水平上预测蛋白质结构。 AlphaFold 所使用的深度学习算法，利用的是多序列对齐，还结合了蛋白质结构的物理和生物学知识来提升效果。 AlphaFlod 首次参加 CASP 就准确地预测出了 43种蛋白质中的25 种，它专注于从头开始建模目标蛋白质的形状，且并不使用先前已经解析的蛋白质作为模板，也就是说，它并不会参考之前已知的蛋白结构。
AlphaFold 网络直接预测给定蛋白质的所有原子的三维坐标，使用基本氨基酸序列和同源序列的对齐序列作为输入。 同为一作的John Jumper开篇讲了一下核心观点，将物理直觉融入到了网络结构中，端对端直接生成结构取代了残基的距离矩阵，从图的角度出发预测蛋白质的物理和几何结构。 有意思的是，Nature 特意在论文标题前开头备注：“这是一份未经编辑的手稿，但是已允许出版。Nature Research 乐意为作者和读者提供这份手稿的早期版本。”
