论文作者也指出AlphaFold3存在一些局限性，比如约4.4%的结构会出现不正确的手性(一种对称特性)，或是幻觉导致“飘带”(一种常见的蛋白质二级结构元素)的出现减少。

论文共同通讯作者、谷歌DeepMind的John M. Jumper和同事等研究认为，在AlphaFold2模型的深度学习架构和训练系统的大幅提升下，如今可以对一个统一框架内大量生物分子系统的结构进行更准确的预测。AlphaFold3能预测蛋白质与其他蛋白质、核酸、小分子、离子、修饰蛋白质残基的复合物，以及抗体-抗原相互作用。预测准确性显著超过当前预测工具，包括AlphaFold-Multimer。

该论文介绍，AlphaFold首次于2020年问世，它和迭代版AlphaFold2能根据蛋白质的氨基酸(蛋白质的基本成分)序列预测其3D结构。之后的AlphaFold-Multimer推动了对蛋白质-蛋白质复合物的预测。不过，扩大单一深度学习模型能预测的复合物范围一直很难，因为不同类型的特异性相互作用差异太大。

一壹发edfAlphaFold3能预测含有蛋白质数据银行(Protein Data Bank)内几乎所有分子类型的复合物的结构。这个最新迭代模型用计算机解析蛋白质与其他分子复杂相互作用的能力，将拓展人们对生物过程的理解，并有望推动药物研发。