课程概述与对比框架
做蛋白质结构预测这些年，我踩过不少坑。从早期用同源模建一点点拼，到后来AlphaFold出来时那种震撼——说实话，就像从自行车直接换上了火箭。但工具体系越成熟，越容易让人陷入“只知其一”的窘境。很多朋友问我：“AF和RF学哪个就够了？”我的回答总是：都学，且要对比着学。
这门课的第一章，我们不急着看代码跑模型。先理清楚两套方法在整个预测链路中的定位，以及为什么需要对比着学。你想想看，如果连对比框架都没搭好，后面几十章的知识点很容易散成一盘沙。
为什么同时学AlphaFold与RoseTTAFold？
2018年CASP13上AlphaFold初试啼声，2020年AlphaFold2直接干到原子级精度。但RoseTTAFold也不是吃素的——它体积更轻、全流程端到端、甚至能处理复合体。我个人习惯是：追求极限精度用AF，追求速通和灵活性用RF。两者互补，不是谁取代谁的关系。
核心洞察：AlphaFold依赖深度MSA和Evoformer，计算量大但精度极高；RoseTTAFold用三轨网络（一维、二维、三维）并行处理，速度快，适合批量筛选。搞懂这两套思路，你才算真正入了结构预测的门。
课程对比框架
我从四个维度搭建了整门课的对比骨架，每一章都会回到这个框架上来。
| 对比维度 | AlphaFold | RoseTTAFold |
|---|---|---|
| 网络架构 | Evoformer + 结构模块 | 三轨SE(3)-Transformer |
| 输入依赖 | 深度MSA + 模板 | 浅度MSA（甚至单序列） |
| 输出粒度 | 全原子坐标 | 主链+侧链扭转角 |
| 推理效率 | 慢（几分钟～1h） | 快（几秒～5min） |
| 复合体处理 | 需AlphaFold-Multimer | 原生支持多链输入 |
这张表我会反复引用。你在实战中选模型时，可以拿它当快速决策卡。
知识体系全景图
下面这张SVG图浓缩了整门课要讲的核心对比关系。每个模块代表一章的核心内容，箭头表示数据流和依赖。
我个人习惯：不确定场景里该用哪个时，我会先跑一遍RoseTTAFold快速拿到conformation，再用AlphaFold精修关键区域。这样既不像直接跑AF那样漫长，又不至于只依赖RF的精度上限。
你将收获什么
通过这30章，你不仅能独立跑通两个流程，还能在遇到新蛋白、突变设计、复合体建模时，快速判断该掏哪个工具。我不会只给你列命令——每章都会穿插实战中的事故与解决方案。比如，我曾经因为MSA深度不够导致AF完全飘掉，后来用RF的single-sequence模式反而跑出了合理结构。
注意：本课程假定你已有Python基础、了解基本深度学习概念（注意力机制、Transformer）。如果还不太熟，建议先花两天过一遍相关教程再钻进对比细节。不然看Evoformer的配对更新时可能会懵。
动手前的小环境准备
虽然第一章不跑模型，但你可以先搭好对比实验目录结构，后面直接往里塞脚本：
af_vs_rf_course/
├── data/
│ ├── sequences/
│ └── templates/
├── models/
│ ├── alphafold/
│ │ └── params/
│ └── rosettafold/
│ └── weights/
├── outputs/
│ ├── af_results/
│ └── rf_results/
└── scripts/
├── run_af.py
├── run_rf.py
└── compare_metrics.py嗯，这个结构我用了两年，每次新项目直接复制一份改序列即可。建议你从现在开始，所有生成的结构都放到对应日期的子目录里，不然后面几百个PDB你根本找不全。
对比学习的心态
讲个真事。我早期只死磕AlphaFold，觉得RF精度差一点就不值得碰。直到一次做某个同源物极少的膜蛋白，AF跑出来的pLDDT全链低于60，而RF用了残基注意力分支反而抓住了一个关键疏水核心。从那天起我才明白：工具没有绝对优劣，只有场景适配。
所以，这门课希望你带着“双视角”来学。每个章节后面我都会给一个“如果你只有AF”、“如果你只有RF”的快速结论。对比过程中有疑问尽管在讨论区提——特别是当你发现两种方法预测同一个loop区完全不同时，那往往是最有意思的分析起点。