1 背景与发展历程
1.1 蛋白质折叠问题
蛋白质是由氨基酸按特定序列连接而成的生物大分子，其生物学功能完全依赖于其独特的三维空间结构。然而，从一维的氨基酸序列到三维结构的折叠过程，至今仍是生物学中最根本的谜题之一。这一问题的核心在于：给定一条氨基酸序列，能否通过计算准确预测其最终折叠成的三维形状？
1.1.1 结构与功能的关系
蛋白质的功能与其结构高度耦合。例如，酶催化特定化学反应，需要活性位点的精确空间排布；受体与配体结合，需要结合口袋的几何互补性；抗体识别抗原，依靠互补决定区的构象匹配。结构中的微小改变（如一个关键残基的侧链取向）即可导致功能丧失或获得。因此，获取蛋白质的三维结构是理解其功能机制的先决条件。
1.1.2 传统实验方法的局限
传统上，蛋白质结构主要通过X射线晶体学、核磁共振波谱和冷冻电镜等实验方法测定。这些方法尽管精确，但存在显著限制：X射线晶体学需要培养高纯度单晶，耗时数月甚至数年，且并非所有蛋白质都能结晶；核磁共振适用于小分子量蛋白质；冷冻电镜则对样品质量和仪器要求极高。据统计，已测序的蛋白质数目以亿计，而通过实验解析的蛋白质结构仅约二十万，二者之间的巨大缺口被称为“序列-结构鸿沟”。
1.2 CASP竞赛的挑战
CASP，即“结构预测的关键评估”，是每两年举办一次的国际蛋白质结构预测竞赛。作为该领域的奥林匹克盛事，CASP的核心目标是通过独立盲测，客观评估各类计算方法在预测蛋白质结构上的表现。
1.2.1 CASP的组织与评估标准
CASP组织者事先收集已解析但未公开的蛋白质结构，将氨基酸序列分发给参赛者，参赛者提交预测模型后，与实验所得的真实结构进行比对。最核心的评估指标为GDT_TS（全局距离测试-总分数），它衡量预测结构中Cα原子与真实结构对应原子在若干距离阈值下的对齐比例。GDT_TS以0到100分计分，60分以上通常被视为“可用的预测”，90分以上则表明精度已接近实验水平。
1.2.2 早期AI方法的尝试
在AlphaFold出现之前，蛋白质结构预测主要依赖两类方法：一类是基于物理力场的从头折叠模拟，另一类是基于已知结构的模板建模。深度学习在早期（如2016年前后）已被尝试用于CASP，但效果有限。这些早期方法在GDT_TS上普遍难以超过60分，对无已知同源模板的蛋白质（自由建模类别）更是束手无策。
1.3 AlphaFold版本迭代
1.3.1 AlphaFold v1（2018）
2018年，DeepMind首次携AlphaFold参加CASP13。v1版本采用了以残基间距离和扭转角为核心预测目标的方法。它不直接预测主链二面角，而是通过卷积神经网络从多序列比对和模板特征中学习残基间配对距离的分布，再利用能量最小化方法折叠出三维结构。该版本在CASP13中排名第一，在43个自由建模域上取得58.1的平均GDT_TS，超越第二名约15%。
1.3.2 AlphaFold v2（2020）
AlphaFold v2在CASP14上彻底改变了局面。它引入了一种全新的端到端神经网络架构，其中包含Evoformer模块和结构模块，能够直接从序列和配对特征迭代优化三维坐标。在CASP14的97个目标中，AlphaFold v2取得了92.4的中位GDT_TS，其中三分之二的目标GDT_TS超过90，达到了与实验结构相媲美的精度。这一结果震惊了整个结构生物学界。
1.3.3 AlphaFold v3（2024）
DeepMind于2024年发布了AlphaFold v3，将预测能力从单一蛋白质结构扩展到生物分子复合物，包括蛋白质-蛋白质、蛋白质-核酸、蛋白质-小分子配体等相互作用。v3版本采用了基于扩散模型的生成式框架，能够输出原子级别的置信度分布，并显著提高了对配体结合位点和界面残基的预测准确性。其性能在多种基准测试中全面超越前代。
2 技术原理
2.1 输入与特征提取
AlphaFold的输入本质上仅是一条氨基酸序列，但其内部处理过程通过多种生物信息学方法将这一维信息转化为富含进化信息的特征。
2.1.1 多序列比对（MSA）
多序列比对是AlphaFold的核心输入之一。通过将查询序列与海量序列数据库（如UniRef、MGnify）进行同源搜索，获得一组在进化上相关的序列集合。MSA不仅提供了残基保守性信息，更关键的是，它编码了共进化模式——即当两个残基在三维空间中靠近时，其在进化过程中的突变模式会呈现相关性。
2.1.2 进化耦合信息
从MSA中可提取残基间的共进化统计量，即进化耦合。这些耦合强度与残基间距离呈正相关：两个残基在三维空间中越近，它们在MSA中的突变往往越需要协同以避免结构破坏。AlphaFold并非直接使用耦合矩阵，而是通过其神经网络从原始MSA中自动学习这些隐藏的结构约束。
2.1.3 物理化学特征嵌入
除了序列进化特征，AlphaFold还会嵌入基础的物理化学属性：残基类型、主链二面角偏好、溶剂可及性等。这些特征以独热编码或嵌入向量的形式输入网络，为模型提供氨基酸自身性质的基础先验。
2.2 神经网络架构
AlphaFold v2的整体架构可视为一个迭代优化的循环，包含两大核心模块。
2.2.1 Evoformer模块
Evoformer是AlphaFold的特征处理核心。它同时维护两条信息流：MSA表示（行方向为同源序列，列方向为残基）和配对表示（残基对之间的特征矩阵）。两个表示在模块内部通过注意机制和信息传递相互增强，随着堆叠深度增加，MSA中的共进化信号逐渐被“翻译”成配对表示中的空间约束。
2.2.1.1 注意机制中的配对表示
Evoformer中使用了特殊的“转移注意力”机制。在标准的自注意中，注意力权重仅由查询和键的点积决定；而在Evoformer中，注意力权重会额外加上来自配对表示的偏置项。这样，残基对之间的距离倾向信息就可以直接影响注意力分配，使模型在聚合序列信息时优先关注空间上邻近的残基。
2.2.1.2 MSA与配对之间的信息传递
双向信息传递是Evoformer的核心创新：从MSA到配对方向，利用注意力机制将MSA中提取的残基对关联信息写入配对表示；从配对到MSA方向，则将配对表示中已积累的距离约束反馈给MSA，以修正序列中残基的隐状态。这种循环更新使两条信息流逐步逼近一致性的空间约束。
2.2.2 结构模块
结构模块负责将Evoformer输出的配对表示转换为具体的三维坐标。
2.2.2.1 循环更新与距离预测
结构模块采用循环结构，每次迭代都会根据当前的骨架坐标和配对表示，预测所有Cα原子之间的残基距离。这个预测结果会与上一轮预测的距离进行对比，产生一个校正梯度，用于更新骨架坐标。通常每次推理要进行数十次这样的循环，逐步收敛到一个能量最低的构象。
2.2.2.2 扭转角预测
侧链构象的预测基于主链骨架和预先计算的侧链旋转异构体库。对于每个残基，模型根据其主链φ/ψ角和侧链χ角，从旋转异构体库中采样最可能的侧链取向。这些角度也是通过结构模块中的子网络回归得到的。
2.3 训练与损失函数
2.3.1 数据来源（PDB与序列数据库）
AlphaFold的训练集主要来自蛋白质数据库（PDB），其中包含约十五万个实验解析的蛋白质结构。模型将这些结构的氨基酸序列作为输入，并以对应的真实三维坐标作为监督信号。序列数据库（如UniRef、BFD等）则用于在线生成MSA特征，且在训练过程中会实时进行同源搜索，以确保模型能适应不同的序列数据库配置。
2.3.2 自蒸馏策略
为了解决某些蛋白质类别（如膜蛋白、大复合物）在PDB中代表性不足的问题，AlphaFold采用自蒸馏策略：先使用训练好的模型对未解析的蛋白质序列进行预测，生成高置信度的预测结构作为“伪标签”；然后将这些伪标签加入训练集，继续训练模型。这大大扩展了有效训练数据覆盖的序列和结构空间。
2.3.3 置信度评估（pLDDT分数）
AlphaFold为每个预测结构输出pLDDT分数，即预测的局部距离差异测试分数。pLDDT的取值范围为0-100，分值越高表示该区域预测的局部结构越可靠。一般来说，pLDDT > 90的区域预测精度可与实验结构媲美；pLDDT在70-90之间表示中等到高置信度；低于70的区域则可能存在较大误差或本质无序。pLDDT分数由模型中的置信度头网络从中间表示中回归得出。
3 性能与评估
3.1 CASP13与CASP14成绩
3.1.1 GDT_TS指标的突破
在CASP13中，AlphaFold v1在所有参赛者中排名第一，在自由建模类别上的平均GDT_TS为58.1，超越了第二名约15%。然而，这一成绩并未引发业界革命性的震动，因为仍有大量目标预测精度不足。CASP14上的AlphaFold v2则截然不同：在所有93个评估目标中，中位GDT_TS高达92.4，有72个目标的GDT_TS超过90。这意味着其预测精度已与实验测定在整体折叠层次上几乎没有差别。
3.1.2 与同源建模的对比
在AlphaFold之前，蛋白质结构预测最可靠的方法是同源建模：若目标蛋白与某个已知结构的蛋白序列相似度达到30%以上，才能获得相对可靠的结构模型。同源建模对无模板蛋白（孤儿序列）几乎无能为力。AlphaFold v2则完全打破了这一壁垒，它在孤儿序列上也取得了约80的中位GDT_TS，这一成绩甚至比顶尖同源建模方法在有模板情况下的表现还要好。
3.2 覆盖范围与局限性
3.2.1 多聚体蛋白质的挑战
AlphaFold v2的单体版本无法直接处理多聚体蛋白质（由多个亚基组成的复合物）。虽然用户可以通过将多个序列串联作为输入来近似预测亚基间相互作用，但这一方法的效果并不理想。AlphaFold v3通过引入“多体MSA”和“分块注意力”机制，实现了对多聚体复合物较好的端到端预测。
3.2.2 无序区域的预测困难
蛋白质中的本质无序区域缺乏稳定的三维折叠结构，在生理条件下呈现广泛的构象系综。AlphaFold在预测此类区域时通常会输出低pLDDT分数并表现出较大的构象随机性。批评者认为这可能误导用户将低置信区域视为模型失败，而实际上这正是无序蛋白的真实特性。目前的共识是，pLDDT<50的区域很可能就是无序区域。
3.3 开源与社区复现
3.3.1 代码与权重发布
DeepMind在2021年7月发布了AlphaFold v2的源代码和预训练权重，采用Apache 2.0开源许可证。这使全球研究者和公司可以自由下载、部署和修改模型。后续发布的AlphaFold v3也保持了类似的开放策略，不过其训练代码和完整数据集尚未完全公开。
3.3.2 OpenFold等衍生项目
OpenFold是一个由学术界发起的完全开源项目，旨在独立复现AlphaFold v2并改进其性能。与DeepMind的官方实现相比，OpenFold优化了内存效率，支持更长的序列输入，并提供了更灵活的批处理功能。此外，ColabFold是另一个重要的衍生项目，它将AlphaFold的运行环境集成到Google Colab笔记本中，无需用户自行配备GPU即可在线预测，极大降低了使用门槛。
4 应用与影响
4.1 结构生物学领域
4.1.1 加速X射线晶体学与冷冻电镜解析
对于实验结构生物学，AlphaFold的预测结果可以作为分子置换的初始模型用于X射线晶体学相角求解，显著降低相角确定的难度。在冷冻电镜中，AlphaFold预测的结构可以作为三维重建的初始模型，帮助更准确地拾取颗粒和进行三维分类。许多研究人员报告，使用AlphaFold输出可将实验结构解析的时间缩短数月至一年不等。
4.1.2 无模板蛋白质结构的预测
对于缺乏同源模板的“孤儿”蛋白质，AlphaFold是几乎唯一能够给出高精度预测的方法。这为许多新发现的、未表征的蛋白质家族提供了第一个结构模型。例如，微生物组研究中的大量未知功能蛋白，其功能已通过AlphaFold预测的结构得到初步推测。
4.2 药物研发与靶点发现
4.2.1 基于结构的虚拟筛选
AlphaFold为药物研发提供了大量高精度的蛋白质结构，推动了基于结构的药物设计。对于许多之前缺乏实验结构的靶点蛋白（如G蛋白偶联受体、激酶等），研究人员可以首先利用AlphaFold预测其结构，然后进行高通量虚拟筛选，检测候选小分子与预测结合位点的契合度。
4.2.2 抗体设计优化
抗体与抗原的结合依赖于互补决定区的高精度构象。AlphaFold v3对蛋白质-蛋白质复合物的预测能力，使研究人员能够重建抗体-抗原相互作用界面，进而指导抗体亲和力成熟、人源化改造和稳定性优化。多家生物技术公司已将AlphaFold集成到其抗体发现平台中。
4.3 合成生物学与酶工程
4.3.1 新型酶的功能预测
通过预测新型酶的结构，研究人员可以推断其催化机制和底物结合模式。例如，在环境宏基因组中发现的未知序列，经AlphaFold预测结构后，有时能揭示其属于某类水解酶或氧化还原酶，从而为后续功能验证提供方向。
4.3.2 蛋白质稳定性的理性改造
AlphaFold所学习的序列-结构关系也被用于指导蛋白质稳定性改造。通过进行饱和突变并评估突变体的pLDDT分数或预测结构中关键键长、键角的变化，研究人员可有针对性地设计更具热稳定性的酶变体。这种方法已在工业酶优化中得到验证。
4.4 对人工智能与科学界的启示
4.4.1 深度学习在复杂科学问题中的范式
AlphaFold的成功确立了一种深度学习解决复杂科学问题的范式：将物理/生物先验知识作为归纳偏置嵌入神经网络架构，并利用海量数据端到端学习。这种范式随后被应用于气象预测（GraphCast）、数学证明、天文数据分析等领域。
4.4.2 开放科学与企业合作模式
DeepMind在发布AlphaFold后，迅速通过与欧洲生物信息研究所合作，构建了AlphaFold蛋白质结构数据库（AlphaFold DB），目前已涵盖超过2亿条序列的预测结构。这一开放共享举措极大地推动了全球结构生物学的民主化。同时，DeepMind与企业合作探索商业化应用（如与制药公司的靶点发现合作），体现了“开源研究+定向应用”的新型产学研模式。
5 争议与批评
5.1 预测精度的边界
5.1.1 高置信度区域的可靠性
尽管pLDDT>90的区域通常可信，但并非绝对。有研究指出，AlphaFold预测的高置信度区域仍可能存在细微错误，特别是对于loop区域、金属结合位点或经过翻译后修饰的残基。这些错误可能会影响基于结构的药物设计决策，因为配体结合常依赖于精确的侧链取向。
5.1.2 动态构象的缺失
AlphaFold输出的是一个静态的、最低能量态的构象，无法捕获蛋白质在溶液中广泛存在的动态柔性。对天然构象变化（如变构调节、构象选择）的研究而言，仅仅知道静态结构远远不够。这一点在柔性区域和多功能蛋白质的预测中尤其突出。
5.2 学术伦理与数据垄断
5.2.1 DeepMind与公共数据库的关系
AlphaFold的训练高度依赖于公共资源（如PDB和UniProt等），但DeepMind作为一家商业公司，将这一“公共利好”转化为自身技术优势。有学者质疑这种单方面的数据提取是否公平，特别是当DeepMind未向数据贡献者提供对等的回报（如优先获得预测结果）时。
5.2.2 对传统结构生物学家的冲击
AlphaFold的出现使部分人认为传统实验结构生物学即将被“取代”，这引发了结构生物学界的焦虑。确实，一些简单重复的结构解析工作被AlphaFold大幅削弱了价值。但实验生物学家强调，AlphaFold无法捕捉配体诱导的构象变化、翻译后修饰、变构效应等复杂生物学行为，因此实验方法仍必不可少。目前的主流观点是二者应互补而非替代。
5.3 药物应用中的假阳性风险
5.3.1 预测模型与实验验证的差距
在药物研发中，使用AlphaFold预测的结构进行虚拟筛选，获得的命中率往往低于使用实验结构进行筛选。这是因为预测模型中结合口袋的侧链取向、溶剂化状态、以及与配体的诱导契合效应均可能失真。大量虚拟筛选的“命中”化合物在后续实验中无法复现活性，给研发管线带来了额外的假阳性噪声。
5.3.2 商业化转化的伦理思考
将AlphaFold预测结构直接用于药物设计决策时，存在因模型不可靠而导致的潜在风险。如果某公司基于错误的结构模型决定推进某个候选药物，可能造成巨大的资源浪费，甚至对后续临床试验的安全性产生负面影响。因此，行业内普遍建议在使用AlphaFold预测结果时，至少需对关键位点进行实验验证。
6 未来展望
6.1 多尺度建模整合
6.1.1 蛋白质-配体复合物预测
AlphaFold v3已初步实现了对蛋白质与小分子配体复合物的预测，但其性能仍受限于配体数据库的覆盖范围和多样性。未来，将AlphaFold与对接算法（如AutoDock等）或生成式分子设计模型耦合，有望实现真正的“端到端配体-蛋白质协同结构预测”。
6.1.2 分子动力学模拟的增强
AlphaFold的预测结构可以作为分子动力学模拟的高质量初始构型。通过使用可微分的分子力场，甚至可以反向优化AlphaFold的模型参数，使其生成的结构更符合分子动力学模拟的物理约束。这种”AI+物理模拟”的结合可能产生比纯AI方法更鲁棒的结果。
6.2 从结构到功能的闭环
6.2.1 结合AlphaFold与基因功能注释
将AlphaFold预测的结构与基因组学、转录组学数据相结合，可以通过结构相似性聚类未知功能基因。例如，如果某个未知基因编码的蛋白质与已知功能酶具有相似的AlphaFold预测结构，则可大概率推断其功能。这种“结构先于功能”的注释策略正在改变功能基因组学的实践。
6.2.2 疾病机制推断
通过预测与疾病相关的突变（如错义突变）对蛋白质结构的影响，AlphaFold能够帮助研究人员推断突变导致功能丧失或获得的分子机制。目前已有多项研究利用AlphaFold预测结构解析了癌症、神经退行性疾病中的关键突变效应。
6.3 下一代AI架构
6.3.1 强化学习与主动学习
未来AlphaFold系列可能引入强化学习机制，使模型能够在预测过程中“试错”并学习折叠策略，而不只是基于静态特征进行推理。主动学习则可用于智能选择最有价值的未知蛋白进行实验结构解析，从而填补AlphaFold在特定类别蛋白上的知识盲区。
6.3.2 条件生成模型的设计
扩散模型和流匹配模型等条件生成架构已被证明在分子构象生成中具有优越性能。AlphaFold v3已采用了相似思路。未来的版本可能会完全端到端地生成符合特定用户条件（如特定配体结合、特定pH或温度）的三结构系综，从而部分解决当前缺乏动态信息的局限。