一、引言：50 年的”蛋白质折叠问题”#

蛋白质由氨基酸链折叠成特定的三维结构，而结构决定功能。从一条一维的氨基酸序列推出三维原子坐标，被称为蛋白质折叠问题，是结构生物学半个世纪以来最硬的骨头。

难在哪里？一个典型蛋白质的可能构象数量高达 10^300 量级（Levinthal 悖论，比可观测宇宙的原子数还多），而实验测定一个结构要花数月到数年、动用上百万美元的设备。安芬森（Anfinsen）早在 1972 年诺贝尔奖演讲里就断言”序列决定结构”，但如何在计算上兑现这个断言，学界努力了 50 年，最好的方法也远达不到原子级精度。

CASP（蛋白质结构预测关键评估）竞赛是这条路上的黄金标准：1994 年由 John Moult 等人创立，每两年一届，用刚测定、未公开的蛋白质结构做盲测，核心指标 GDT（Global Distance Test，全局距离测试，0-100 分，约 90 分被视为与实验结构相当）。到 2018 年之前，自由建模（FM）类目标的最佳中位成绩一直徘徊在 60 分以下，进步缓慢。

更关键的是，CASP 每届都有上百个团队参赛，冠军易主是常态，但所有人都在同一条缓慢的进步曲线上爬行。谁也没想到，2018 年一个”外部玩家”直接把这条曲线掰弯了。

二、前奏：AlphaFold 1 与 CASP13 的震惊首秀#

2018 年 12 月，CASP13 结果公布，首次参赛的 DeepMind 拿下第一——此前 CASP 冠军历来出自学术机构（Baker 实验室、张阳等），企业团队夺冠是头一遭。

这个团队的诞生本身就是一个战略决定：2016 年 AlphaGo 击败李世石之后，Hassabis 拍板把 DeepMind 的方法论押到真实科学问题上，成立了由 John Jumper 领导的蛋白质小组。Jumper 是化学物理博士、Rosetta 软件的深度用户，这个背景让团队既懂深度学习、又懂结构生物学的语言——后来证明，这两门语言的结合正是突破口。

AlphaFold 1（2020 年 1 月 Nature 发表）的方法还带着传统味道：用深度学习预测残基间的距离分布（distogram），据此构建平均力势能（mean-force potential），再用梯度下降优化出三维结构。成绩是：43 个自由建模域中 24 个达到 TM-score ≥ 0.7（次佳方法只有 14 个），自由建模中位 GDT 约 58.9（次两名 52.5、52.4），整体中位 GDT 约 68.5。

值得注意的是，AlphaFold 1 已经让领域震动——它证明了”深度学习读进化信息”这条路走得通，但 58.9 的中位分离”解决”还差得远。CASP14 之前，DeepMind 团队没有急着吃老本，而是推倒重来。

三、核心技术：Evoformer + 结构模块，端到端可微#

从 AlphaGo 到 AlphaFold2，方法论上有一组耐人寻味的对应：AlphaGo 的 MCTS 搜索对应 AlphaFold2 的 recycling 循环精修，策略/价值网络对应 Evoformer 的双表示互更新，AlphaGo 用自对弈生成数据、AlphaFold2 用 MSA 里的进化信号做”免费的自对弈”。共同哲学只有一个：把领域知识转换成数据表示和架构约束，让模型自己长出”直觉”，而不是人手工写规则。

AlphaFold2 与上一代最大的区别是端到端：输入序列和 MSA（多序列比对），直接输出全原子三维坐标，中间没有任何”预测距离图 → 再拼装”的非可微环节。整条管线由三个部件构成。

四、训练与数据#

训练数据是公开数据的组合拳：PDB（蛋白质数据库，约 17 万个实验结构，截止 2018 年） + Uniclust30 等序列数据库 + BFD 大规模宏基因组数据库。有意思的是，MSA 数据库有几百 GB，是训练管线里最重的部分。

算力门槛比想象中低：约 128 块 TPU v3 核心训练约 1 周（外加数天微调）；推理更快——一个 384 残基的蛋白质，单块 V100 GPU 上约 9 秒出结果。相比当时动辄上千卡月的大模型训练，AlphaFold2 算是一股清流，这也解释了它为何能快速落地。

为什么端到端这么重要？上一代的”距离图 + Rosetta 拼装”管线里，每一步的错误都会累积，预测距离图再准，拼装阶段也会把信息糟蹋掉。AlphaFold2 让损失直接作用在最终坐标上，网络被迫学会所有中间表示，等于把错误修正放进了训练本身——这是它敢声称”原子级精度”的底气。

五、评估成绩：CASP14，GDT 92.4#

2020 年 11 月 30 日，CASP14 结果公布，CASP 组织者直接宣布 AlphaFold2 解决了蛋白质折叠问题。核心数字如下：

• 全部目标中位 GDT 达 92.4，与实验结构相当（GDT 约 90 即视为实验级精度）。
• 最难的自由建模（FM）类目标中位 GDT 达 87.0。
• 92 个结构域中，87 个达到 GDT > 70（高精度），58 个达到 GDT > 90（实验级）。
• 按 z 分数汇总排名，AlphaFold2 得 244.0，次佳小组仅 90.8，接近三倍差距。
• 主链精度中位 0.96 埃（RMSD95），次佳方法 2.8 埃；全原子平均误差约 1.6 埃 ≈ 0.16 纳米——接近一个碳原子的宽度（约 1.4 埃）。

一句话：AlphaFold2 不只赢了一场比赛，而是把整个领域的中位成绩从 60 分直接拉到了 90 分以上。在 2018 年（CASP13）它自己的 58.9 分面前，这是断崖式的跃迁。

CASP14 结果公布当晚，哈佛计算生物学家 Mohammed AlQuraishi 在社交媒体上写道：“这就是范式转移的样子。” 这话不算夸张——上一届 FM 域中位还不到 60 分，AlphaFold2 一次性跳到 87，等于用三年时间把领域五十年的进步曲线拉平之后又续上了一截。

六、落地：2 亿+ 结构数据库与 2024 诺贝尔化学奖#

论文本身也值得一提：2021 年 7 月 15 日发表在 Nature 的这篇论文，随文开放了完整代码与 60 页补充材料，还给出了开源权重——AlphaFold 没有把”黑盒”留给学界。到 2024 年，它已被引用超过 4 万次，是结构生物学领域被引用最多的论文之一。

论文发表后一周，DeepMind 联合 EMBL-EBI 上线 AlphaFold 蛋白质结构数据库，首批开放人类蛋白质组（覆盖约 98.5% 的序列）加 20 种模式生物，共 35 万+ 结构。2022 年 7 月，数据库扩容到 超过 2 亿 个蛋白质结构——近乎所有已编目蛋白质，全部免费开放。

后续时间线把”科学 AI”推上了最高领奖台：

• 2024 年 5 月：AlphaFold 3 发布，预测范围从蛋白质扩展到 DNA、RNA、配体与离子。
• 2024 年 10 月 9 日：Demis Hassabis 与 John Jumper 因 AlphaFold 获诺贝尔化学奖（与做计算蛋白设计的 David Baker 分享）。
• 截至 2025 年 11 月，AlphaFold 数据库已被 300 万+ 研究人员、190+ 国家使用，论文被引用超过 4 万次。

对一个 DeepMind 内部当年不过二三十人的小组来说，这套落地速度（从 CASP14 到 2 亿结构只用了 20 个月）本身就是一项工程奇迹。

七、局限与后续#

AlphaFold2 不是万能的，论文和后续实践都承认几条边界：一是预测的是单一静态构象，蛋白质在溶液里是动态的，功能往往依赖构象变化；二是对同源序列很少的”孤儿蛋白”、以及膜蛋白等难点类别，置信度会下降（pLDDT 会诚实报低分）；三是它预测的是折叠结构，不直接回答动力学问题。AlphaFold 3 引入扩散模型把范围扩大到复合物与配体，AlphaFold 2 本身则在 2021 年后停止迭代，代码开源交给社区。

对结构生物学的冲击也值得记录：实验学家的工作从”测结构”转向”验证结构、研究动态与相互作用”——AlphaFold 数据库让”结构未知”不再成为研究起点，而成了少数难题的标签。当然，这种冲击也带来”预测结果是否被过度信任”的讨论，pLDDT 置信度机制正是对这种疑虑的回应。

还有一个经常被低估的贡献：AlphaFold2 把”结构生物学社区”和”机器学习社区”第一次拉到了同一张桌子上。CASP 从此不再是结构生物学家的独角戏，AI 成为领域基础设施，这为后续 RoseTTAFold、ESMFold 等一批方法快速跟进铺平了路。

收尾：我的一点看法#

AlphaFold2 是我见过最接近”范式革命”的 AI 论文。AlphaGo 赢棋，AlphaFold 赢的是人类理解生命的基础设施。GDT 92.4 这个数字的残酷之处在于：它不是一个渐进改善，而是把领域 50 年的进步曲线直接拉直——2018 年最好的方法 FM 中位不到 60，2020 年 AlphaFold2 做到 87，三年走完了领域五十年的路。

我尤其想夸它的两个设计品味。第一是物理先验的正确姿势：三角注意力把三角不等式编码进网络，SE(3) 等变把旋转对称性写进架构——AlphaFold2 没有把物理扔进垃圾桶，而是用学习系统的语言重新实现了物理。第二是端到端的勇气：上一代的”距离图 + 拼装”管线信息损失严重，Jumper 团队承认”三阶段管线漏掉了大量信息”，干脆全删重来。这种”推倒重来”在工业界大团队里极为罕见。

当然也要清醒：AlphaFold 解决的是”从序列到静态结构”这一环，蛋白质的动态、相互作用、功能涌现仍然困难。但在 Gemini 发展史的背景里看，AlphaFold 是 DeepMind 证明”AlphaGo 方法论不是游戏专用”的决定性证据——它让 Google 管理层确信，DeepMind 的强化学习 + 深度学习组合能够攻下真实科学难题，也为后来 DeepMind 合并 Brain 团队、集中火力做 Gemini 铺设了道义与技术上的双份底气。

附：核心数据速查#

架构配置

CASP 关键成绩对比

AlphaFold2 精度

• 主链中位精度 0.96 埃（RMSD95），次佳方法 2.8 埃
• 全原子平均误差约 1.6 埃 ≈ 0.16 纳米（接近原子宽度）
• 92 域中 87 个 GDT>70、58 个达到实验级（GDT>90）

数据库与荣誉

• 2021.07：数据库上线，35 万+ 结构（人类蛋白质组约 98.5% + 20 种模式生物）
• 2022.07：扩至 2 亿+ 结构（近所有已编目蛋白质）
• 2024.05：AlphaFold 3（扩展至 DNA/RNA/配体）
• 2024.10：Hassabis、Jumper 获诺贝尔化学奖

关键概念清单

• protein folding problem = 蛋白质折叠问题（序列 → 三维结构）
• MSA = Multiple Sequence Alignment，多序列比对（进化共变信号）
• pair representation = 成对表示（残基对特征矩阵）
• Evoformer = AlphaFold2 核心模块（双表示互更新）
• triangular attention = 三角注意力（几何一致性）
• IPA = Invariant Point Attention，不变点注意力（SE(3) 等变）
• SE(3) equivariance = 对三维旋转平移等变的性质
• recycling = 循环精修（端到端多次过网络）
• GDT = Global Distance Test，全局距离测试（0-100，约 90 视为实验级）
• RMSD = 均方根偏差（结构叠合误差）
• pLDDT = 逐残基置信度分数
• CASP = Critical Assessment of Structure Prediction，盲测竞赛（每两年一届）
• AFDB = AlphaFold Protein Structure Database，蛋白质结构数据库