问题是什么
蛋白质是由氨基酸连接而成的长链。它在细胞中必须折叠成特定的三维结构才能发挥功能。
结构决定功能——这是分子生物学的核心信条。药物的设计、疾病机制的理解、酶工程，都依赖于对蛋白质结构的了解。
为什么难
一、构象空间巨大。 一条由几百个氨基酸组成的蛋白质链，理论上可以采取的构象数量是天文数字。著名的列文thal 悖论指出：如果蛋白质通过随机搜索来寻找正确构象，所需时间远超宇宙年龄——但实际上蛋白质在毫秒到秒级就能折叠完成。
二、实验测定困难。 传统测定蛋白质结构主要靠 X 射线晶体学、核磁共振（NMR）和冷冻电镜。每一种都需要大量时间、昂贵设备和专业知识。测定一个结构可能耗时数月到数年。
经过半个多世纪的积累，人类测定的蛋白质结构数量，与已知的蛋白质序列数量之间仍有巨大鸿沟。
AI 的突破
DeepMind 的 AlphaFold 在蛋白质结构预测竞赛 CASP 中表现惊艳：
- CASP13（2018）：AlphaFold 1 夺冠；
- CASP14（2020）：AlphaFold 2 达到与实验方法相当的精度，被认为基本解决了"从序列预测结构"的问题。
技术思路
AlphaFold 2 的关键设计包括：
一、多序列比对（MSA）作为输入。 在进化过程中，蛋白质的关键位点是保守的（因为突变会破坏功能）。通过比对大量同源序列，可以推断哪些氨基酸残基在空间上相互靠近——因为它们倾向于共进化。
二、注意力机制与图结构。 用类似 Transformer 的架构，在"残基对"之间传递信息，直接推理残基之间的距离和角度关系。
三、端到端的结构模块。 直接输出原子的三维坐标，并设计了专门的损失函数保证结构符合物理约束（如键长、键角、无空间冲突）。
四、循环优化（Recycling）：把预测结果反复送回网络迭代改进。
影响
一、结构数据库极大扩充。 AlphaFold 数据库提供了对海量蛋白质结构的预测，覆盖了许多此前从未被解析的蛋白质。
二、加速基础研究。 结构生物学家可以把精力从"测定结构"转向"理解功能"。
三、药物设计。 知道靶点蛋白的结构，有助于设计能与之结合的小分子药物。
四、酶工程。 理解和改造酶的活性位点，可以设计更高效的工业催化剂——这对生物制造意义重大。
局限
- 静态结构：AlphaFold 预测的主要是一个"静态"的构象。而蛋白质在细胞中会动态变化，与配体结合时会改变形状；
- 复合物与相互作用：预测多个蛋白质如何结合在一起（复合物结构）更难；
- 无序蛋白：有些蛋白质或蛋白质区段天然没有固定结构（固有无序蛋白），这类区域无法预测；
- 预测不等于理解机制：知道结构，不代表知道它如何工作、如何调控。
更大的意义
AlphaFold 常被视为AI for Science 的标杆案例。它证明了 AI 不仅能处理文本和图像，也能在严谨的科学问题上产生实质性的突破。
说明：本文为结构生物学的公开知识整理。