AlphaFold结构预测（AlphaFold structure prediction）
/ AL-fuh-fold /
半个世纪以来，生物学家都面临着一个令人抓狂的鸿沟：一个蛋白质的氨基酸序列很容易读出来，但它的三维形状——真正决定它干什么的那个东西——却测定得极慢、极贵，每个蛋白质往往要花数月乃至数年的实验功夫。人们梦想着能用计算机直接从序列预测出形状。AlphaFold，一款来自DeepMind公司的程序，正是终于让这个梦想对极大一部分蛋白质而言触手可及的突破。
AlphaFold是一套人工智能系统，它在数以万计、由实验艰辛解出的蛋白质结构上训练而成。对于一条查询序列，它做了两件巧妙的事：它从其他生物体中搜集许多相关序列（因为在进化过程中一同变化的位点，往往在折好的形状里物理上彼此靠近），又用一个神经网络去权衡每个氨基酸与其余每个氨基酸的关系，然后反复地精修出一套预测的原子坐标。输出是一个完整的三维模型，而且关键在于它附带逐残基的置信度评分，使使用者能看出预测中哪些部分可信、哪些要谨慎对待。在2020年的一场学界竞赛中，它给出的模型与实验结果足够接近，以至于该领域宣布这个长期存在的预测难题在许多情形下已基本解决。
其影响极为巨大：AlphaFold及其开放数据库已为几乎每一个已知蛋白质提供了预测结构，加速了药物发现、酶工程和基础研究，其创造者还分享了2024年的诺贝尔奖。但这里诚实很重要。所谓已解决若按字面理解便是言过其实。AlphaFold预测的是单一一个最可能的折叠形状；而对于蛋白质如何运动、在结合伙伴时如何改变形状、没有固定折叠的无序区域、单个突变的影响、以及蛋白质如何与其他蛋白质组装在一起，它的能力都要弱得多。一个看上去信心十足的模型是一个假说，而非一次测量——任何重要的事情，它仍需要实验来核验。
一位研究某种鲜为人知的细菌蛋白质的科研人员，把它的序列粘进AlphaFold数据库，几秒钟内就拿回一个按置信度着色的三维模型。折叠良好的核心区域亮闪闪、置信度高；而一条松软的尾巴则黯淡无光，警示这一区域并没有可靠的预测形状。
几秒钟的计算取代了数月的晶体学工作——还附带了置信度标记。
AlphaFold预测的是一个可能的静态形状，而非运动，也不擅长预测单个突变的影响和无序区域。一个高置信度的模型是一个有力的假说，而非一个被证实的结构。