Highly accurate protein structure prediction with AlphaFold
★★★★★Jumper et al. (DeepMind) · Nature 2021 2021
五十年蛋白质折叠难题的终结：Evoformer + 结构模块把预测精度推到与实验误差同级，AI for Science 的标杆之作。
AI for Science
AI for Science 活跃前沿把模型变成科学仪器：蛋白质结构预测、材料与化学发现、数学证明，以及「AI 发现」与「AI 验证」的分界。
代表机构： Google DeepMind (Isomorphic Labs)Microsoft Research (AI4Science)Meta FAIR (ESM)
子领域
概述
解决什么问题
科学发现的瓶颈往往不是「假设不够聪明」，而是搜索空间太大、验证太慢。AI for Science 研究如何用模型压缩这两者：预测（代替昂贵实验）、生成（直接给出候选）、证明（穷举逻辑空间）。这是 AI 少数「几乎无争议有益」的应用方向。
当前图景
蛋白质是标杆战场：AlphaFold2（2021）把 50 年的结构生物学难题变成「可查询的服务」，AlphaFold3（2024）扩展到配体-蛋白相互作用，直接瞄准药物设计。蛋白质语言模型（ESM 系列）证明「序列即足够」的表征学习路线同样能折叠蛋白。材料与化学侧，GNoME 式大规模筛选把候选材料库扩大几个数量级，自动化实验室（A-Lab）开始闭环「预测-合成-验证」。
数学是 2024 年后的新前线：AlphaProof / AlphaGeometry 把 IMO 几何与代数证明推到奖牌水平，Lean 一类形式化验证器成为「AI 生成证明」的可信出口。方法论上，整个领域正从「预测器」走向「发现闭环」——生成、评估、实验（或证明）、回流的飞轮。
开放问题
- AI 的「发现」如何验证：湿实验与形式化证明哪条路线更可规模化？
- 科学大模型的数据瓶颈：文献是滞后的、实验是昂贵的，合成数据在科学里可信吗？
- 领域知识该嵌进架构（物理先验），还是让通用模型自己学出来？
经典工作
- Highly accurate protein structure prediction（2021，AlphaFold2）
- AlphaFold 3（2024）
- Ranked List of Problems（与 IMO 级数学证明系列工作）
论文精读
全部论文 →演进脉络
完整时间线 →-
AlphaFold2 破解蛋白质折叠 2021 年 7 月 15 日
DeepMind 在 CASP14 上把蛋白质结构预测做到原子级精度，随后开源代码并公开两亿蛋白质结构数据库，生命科学进入「结构即服务」时代，AI for Science 的标杆时刻。
-
AlphaFold 3：从结构到相互作用 2024 年 5 月 8 日
DeepMind 与 Isomorphic Labs 发布 AlphaFold 3，把预测范围扩展到蛋白质与 DNA、RNA、配体的复合物，直接瞄准药物发现的核心问题，AI4S 管线再下一城。