AlphaFold：当 AI 读懂生命的三维密码

头图来源：Wikimedia Commons（请在文件页查看原作者与许可条款）

蛋白质折叠问题

蛋白质由氨基酸链折叠成复杂三维结构，结构决定功能。克里斯蒂安·安芬森 1972 年诺贝尔化学奖工作表明：氨基酸序列原则上应能决定结构。然而，从序列预测结构在计算上极其困难——一个中等长度蛋白质的可能构象数量超过宇宙原子总数，这被称为列文哈尔悖论。

数十年来，生物学家依赖 X 射线晶体学、冷冻电镜等实验手段解析结构，成本高、周期长。每增加一个结构，都意味着巨大的科研投入。

CASP 与 AlphaFold 的突破

CASP（Critical Assessment of Structure Prediction）是结构预测领域的国际盲测竞赛。2020 年 CASP14 上，DeepMind 的 AlphaFold2 在中位 GDT 分数上达到约 92.4，被评委称为"基本解决"单链蛋白质结构预测问题。

Jumper 等人在 Nature 596 卷（2021）发表详细方法：采用 Evoformer 架构，融合多序列比对（MSA）与配对表示，端到端预测原子坐标。AlphaFold 数据库（AlphaFold DB）随后公开超过 2 亿个预测结构，覆盖 UniProt 中绝大多数已知蛋白质，成为生命科学基础设施。

对药物研发与合成生物学的影响

准确结构预测加速靶点发现、抗体设计与小分子对接。制药公司开始将 AlphaFold 预测纳入早期管线；合成生物学团队利用结构信息设计酶催化新反应。2024 年诺贝尔化学奖部分授予 David Baker（计算蛋白设计）及 Demis Hassabis、John Jumper（AlphaFold），标志着 AI 在生命科学中的里程碑地位。

局限与展望

AlphaFold2 对多链复合物、无序区、配体结合态仍有局限。AlphaFold3（2024）扩展至蛋白质-核酸-小分子相互作用预测，但开放程度与学术可及性引发讨论。未来，AI 与实验结构生物学将更紧密耦合：预测指导实验，实验反馈模型。

参考资料

1. Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589.
2. AlphaFold Protein Structure Database. https://alphafold.ebi.ac.uk/
3. CASP14 官方评估报告. https://predictioncenter.org/casp14/