蛋白質是生命活動的基礎分子，其三維結構決定了生物學功能。理解蛋白質結構對於揭示生命機制、藥物研發、疾病治療具有關鍵意義。然而，通過實驗方法（如X射線晶體學、冷凍電鏡、NMR）測定蛋白質結構需要耗費數月甚至數年時間，且成本高昂。
截至2021年，儘管實驗方法已解析約10萬個獨特蛋白質結構，但這僅佔已知數十億蛋白質序列的極小比例。從氨基酸序列預測三維結構（即"蛋白質摺疊問題"）是超過50年的開放研究難題。
一、研發背景
CASP（Critical Assessment of protein Structure Prediction）是每兩年舉辦一次的蛋白質結構預測領域權威評估，使用尚未公開的近期解析結構作為盲測數據。AlphaFold2在2020年的CASP14競賽中取得了突破性成績，標誌著蛋白質摺疊問題被"基本解決"。
二、技術路徑與原理
2.1 整體架構
AlphaFold2採用端到端的深度神經網絡架構，直接從氨基酸序列和同源序列比對（MSA）預測所有重原子的3D坐標。系統接收目標蛋白質的氨基酸序列，將其與其他相似蛋白質序列進行比對，通過進化耦合分析識別在進化過程中傾向於協同變異的序列片段。
尤為關鍵的是，AlphaFold2同時提供pLDDT（預測局部距離差異測試）、pTM（預測模板建模分數）和PAE（預測對齊誤差）等置信度指標，為後續分析提供關鍵判斷依據。
2.2 模型輸入
從用戶視角來看，AlphaFold2僅需要輸入蛋白質序列。但該系統實際通過構建多序列比對（MSA）進行分析——即將多個相似蛋白質序列進行並行排列。高質量的MSA是AlphaFold2準確預測蛋白質結構的關鍵。
2.3 網絡模型
AlphaFold2使用的神經網絡模型包含兩個主要部分：
- Evoformer主幹網絡：輸入為原始MSA和配對特徵，輸出為處理後的MSA表示和殘基配對表示。核心為48個Evoformer模塊堆疊。
- 結構模塊（Structure Module）：輸入是Evoformer輸出的配對表示和單序列表示，輸出是每個殘基的旋轉和平移。核心為8個共享權重的模塊，迭代優化結構。
2.4 關鍵技術創新
Evoformer核心創新
- 將蛋白質結構預測視為3D空間中的圖推理問題
- 三角形更新與注意力：基於幾何約束設計
- 信息交換機制：MSA與配對表示相互更新
結構模塊創新
- 殘基氣體表示：將每個殘基初始化為獨立的剛體框架
- 不變點注意力（IPA）：允許網絡隱式推理側鏈原子
- 迭代優化：通過回收（Recycling）機制多次應用整個網絡
三、模型性能
3.1 CASP14競賽結果
此前，通過全局距離測試（GDT_TS）衡量的整體結構預測精度最高僅達到約60分。而AlphaFold2的得分超過了90分——這一分數意味著預測的蛋白質結構與實驗解析結構高度吻合。
| 指標 | AlphaFold2 | 次優方法 | 提升幅度 |
|---|---|---|---|
| 主鏈精度 (Cα r.m.s.d.₉₅) | 0.96 Å | 2.8 Å | 2.9倍 |
| 全原子精度 (r.m.s.d.₉₅) | 1.5 Å | 3.5 Å | 2.3倍 |
註：碳原子寬度約1.4 Å，AlphaFold2精度接近原子尺度
3.2 結構生物學驗證
結構生物學實驗表明，AlphaFold2預測的結構能夠作為X射線晶體學中分子置換的搜索模型，能很好地匹配冷凍電鏡獲得的實驗密度圖，即使蛋白質處於溶液狀態也能保持良好匹配度。
3.3 廣泛應用
- 輔助實驗結構解析：已成為X射線晶體學、冷凍電鏡和核磁共振的重要補充
- 超大複合物結構解析：如核孔複合體（約90%結構已解析）、Mce1蛋白複合物
- 功能蛋白篩選：能在早期階段低成本評估蛋白質功能
- 致病機制研究：如PINK1基因突變導致早發性帕金森病的機制研究
- 蛋白質工程與設計：可作為工程改造的起點
四、技術局限性
AlphaFold2存在以下局限：
- 結構動態性：預測的是蛋白質的靜態結構，無法捕捉動態構象變化和柔性區域
- 複合物與相互作用：主要針對單鏈蛋白質優化，對蛋白質-蛋白質複合物、蛋白質-配體相互作用的預測精度有限
- 內在無序區域：對內在無序蛋白質（IDP）的預測能力有限
- 膜蛋白：對膜蛋白的預測精度通常低於可溶性蛋白
- 點突變效應：難以準確預測單點突變對結構的影響
五、總結與展望
AlphaFold2代表了蛋白質結構預測領域的里程碑式突破，首次實現了在大多數情況下達到實驗精度的計算預測。其核心創新在於：
- Evoformer架構：有效整合進化信息和幾何約束
- 端到端訓練：直接從序列到3D坐標的優化
- 迭代優化機制：通過回收機制逐步精化結構
- 物理知識融合：將蛋白質結構的物理和生物知識融入深度學習
儘管存在一定的技術局限，AlphaFold2為結構生物學、藥物發現和蛋白質工程開辟了新的可能性，其開源實現（AlphaFold DB）已預測了超過2億種蛋白質結構，極大推動了生命科學的發展。
2024年諾貝爾化學獎被授予AlphaFold2的主要作者John Jumper和Demis Hassabis，以及蛋白質設計先驅David Baker，以表彰他們在蛋白質結構預測和設計領域的貢獻。
AlphaFold2開啟了一個全新的AI for Science (AI4S)時代，啟迪並激勵新一代的研究人員借助AI的能力，拓展生物醫學領域的邊界。
本報告基於Jumper et al. (2021) Nature論文及其他學術資源撰寫