Highly accurate protein structure prediction with AlphaFold

背景

蛋白质折叠问题（1972 年 Anfinsen 猜想：氨基酸序列唯一决定三维结构）困扰生物学五十年。实验测定（X 射线晶体学、 cryo-EM）每个结构耗时数月到数年、成本数万美元，数据库（PDB）六十年只积累了 ~17 万个结构，而已知的蛋白质序列有数亿条——结构与序列之间隔着四个数量级以上的鸿沟。

计算路线尝试了三十年：物理模拟（分子动力学——精度可以但算不动大蛋白）、共进化分析（从 MSA 推断残基接触——2014-2018 年的主流，RaptorX/AlphaFold1 皆此路）、深度学习接触图 + 梯度折叠。CASP（两年一届的盲测竞赛，主办方把尚未发表的实验结构交给各团队预测）是唯一裁判。2018 年 CASP13：AlphaFold1 用距离分布 + 梯度下降拿了第一，但 GDT（全局距离测试，越高越准）中位数只有 ~60——「有用但不可靠」。2020 年 CASP14 前夜，普遍预期进步会是渐进的。

动机

DeepMind 的 Jumper 团队（Evans、Pritzel 等一群跨界者）判断：此前所有方法的瓶颈在于把问题拆成了流水线（预测距离 → 拟合结构），误差逐级放大。要达到实验精度，必须端到端：序列进、全原子坐标出，梯度从最终的结构误差一路回传到输入表征。这个判断要求放弃「可解释的中间步骤」，赌一个足够聪明的架构能学会「折叠」本身——这也是他们对 AlphaFold1 的自我否定。

方法

AlphaFold2 = Evoformer + 结构模块 + 一套训练技巧，端到端可微。

输入：两条信息流。(1) MSA（多序列比对）：目标序列在数据库里找到的进化亲戚——共进化模式（哪些残基一起变异）蕴含空间邻近的信号；(2) pair 表示：残基两两之间的初始关系（相对位置、序列距离）。

Evoformer（48 块，两种注意力交替）。三角更新是关键设计：残基对 (i,j) 的表示更新时要看所有中间残基 k——因为「i-k 近且 k-j 近则 i-j 不可能太远」的三角几何约束。这个把欧氏几何的三角不等式硬编码进注意力结构的做法，是「架构即领域知识」的典范。MSA 表示与 pair 表示通过交叉注意力互相喂养：进化信息更新几何直觉，几何直觉反过来筛进化噪声。

结构模块（不变点注意力 IPA）。从单序列表示直接生成每个残基的刚体（旋转 + 平移），输出全原子坐标。IPA 的设计保证等变性：输入序列不变则输出结构不变，旋转输入则输出跟着旋转——SE(3) 对称性不被破坏。结构模块还负责侧链打包（氨基酸侧链的具体原子摆位）。

Recycling（回收）。整个网络跑 3-4 遍，每遍的输出结构作为下一遍的输入精修——「粗折叠 → 细化」的迭代在架构里显式化。

自蒸馏（数据飞轮）。PDB 只有 17 万结构，不够训练。用训练中的模型对 35 万条无结构序列做预测，取高置信度的预测当作伪标签扩充训练集——「用模型生产训练数据」在 2021 年的科学领域是最早的大规模示范。

训练目标：FAPE（帧对齐点误差）——把预测与真实的每个原子在各自残基坐标系下比较，对结构误差端到端可微；辅助损失（距离、角度、置信度校准）。

置信度输出：pLDDT（每残基置信度）与 PAE（残基对相对位置误差）——预测自带质量标签，这是它能在生产环境被信任的前提。

实验设置

• CASP14（2020 盲测）：87 个全新靶蛋白（评委不知道答案，参评者也不知道——与基准刷分绝缘），与全世界的学术界队伍同台
• 指标：GDT_TS（预测与实验结构叠合后，α 碳原子在 1/2/4/8Å 阈内的比例；90+ 通常视为「实验精度」）
• 对照：CASP14 第二名（Baker 组的 RoseTTAFold 同期突破，GDT ~75-80 区间）、AlphaFold1（~60）、同源建模基线
• 消融与检验：每个架构组件的贡献（去掉三角更新、去掉 recycling 的退化）；无 MSA 蛋白（单序列家族）的表现；训练集时间切分（防止同源泄漏）

结果

• CASP14 中位 GDT_TS ~92.4——超过第二名约 15-25 分，历史上第一次在盲测中达到「与实验方法误差同级」；其中约 2/3 靶蛋白的预测与实验结构的偏差在实验测定自身的不确定度内
• 对「困难类别」（无同源模板的 free modeling）同样领先——不是靠查表，是学会了折叠
• 2021.7 开源代码（AlphaFold2）+ 2021.7 发布 AlphaFold DB（与 EMBL-EBI 合作）：2 亿+ 蛋白质结构预测免费开放——几乎覆盖所有科学界已知的蛋白质序列（UniRef90 级别）
• 消融确认：三角更新与 MSA-pair 交叉注意力是最大贡献组件；去掉 recycling 掉几个 GDT 点；单序列输入显著退化但不是零（MSA 依赖是真实的）
• 蛋白质复合体、无序区、配体结合当时不在能力范围（AlphaFold 3 与社区工作后续补课）

有趣的洞见

「AI 解决科学问题」叙事的分水岭。AlphaFold2 之前，AI4S 是「愿景」；之后是「事实」。它同时拿下了 CASP 榜首与 Nature 论文——领域基准与学术评审的双重认证，此后每个 AI4S 项目（WeatherNext、GNoME、AlphaTensor……）都在无意识地模仿它的成功模板：领域基准上的断层领先 + 顶级期刊 + 全面开放。2024 诺贝尔化学奖（一半给 Hassabis/Jumper）为这个模板盖章。

三层知识分配框架。读 AlphaFold2 最值得学的是「领域知识放在哪」的分配：物理约束放架构（三角更新 = 三角不等式；IPA = SE(3) 等变）、进化信息放数据（MSA 作为输入而非人工特征）、不确定性放输出（pLDDT/PAE 置信度）。这个「架构/数据/输出」三层分配适用于任何 AI4S 项目——对比「把 LLM 直接搬进领域」的做法（所有知识都塞数据），AlphaFold2 的耦合深一个层次。

开放策略是影响力的一半。如果只发论文不开源，AlphaFold2 是 DeepMind 的 trophy；开放后它是整个结构生物学的基建——AlphaFold DB 至今服务数十万研究者，药物管线（与制药公司的结构筛选）、酶设计（从头设计酶的稳定性预测）、甚至疫苗研发（新冠蛋白结构）。引用数（3 万+）说明「可用的工具」比「漂亮的论文」传播快两个数量级。

批判性评价

最弱的一环：静态单构象的世界观。蛋白质在细胞里是动态系综（多个构象互相转换），AlphaFold2 输出的是「最可能的单一构象」——对固有无序蛋白（约 30% 的人类蛋白含无序区）基本无效；对「构象变化介导的功能」（激酶活化、变构药物）给出的是误导性的确定感。PDB 的实验偏倚（可结晶的蛋白才入库）直接决定了可靠域；MSA 依赖（孤儿序列表现骤降）；配体/复合物/翻译后修饰都不在 v2 范围。终结了一个问题，暴露了十个问题——AlphaFold 3（2024）与社区工作在逐一补课。

依然重要的理由：它把「结构生物学」改写为「结构检索」——过去一个博士的毕业课题（解一个结构）现在是一次 API 调用。作为方法论标本，它是「领域知识编译进架构」的极致示范，也是 AI4S 这个类别存在的理由；对深度学习研究者，它证明 Transformer 时代的工具箱（注意力、端到端训练、自蒸馏）在「非语言非视觉」的问题上同样统治力——只要架构与领域物理深度耦合。