1. AlphaFold 概述与背景
做蛋白质结构预测的人，很多年前都听过一句话：「序列决定结构，结构决定功能。」听起来理所当然，但真正要把一条氨基酸序列变成三维原子坐标，那可是个硬骨头。我最早接触这个方向是在2018年，那时候团队还在用传统的同源建模加上分子动力学模拟，跑一个中小型蛋白要花好几周，运气不好还推不出靠谱的结构。直到 AlphaFold 横空出世，整个领域才真正变了个天。
这一章我们先聊聊 AlphaFold 到底是什么、它为什么重要，以及为什么我们非得折腾 ONNX 导出和优化。你如果已经在做推理部署，可能更关心后面的实操，但背景弄清楚了，坑能少踩一半。
1.1 蛋白质结构预测：从实验到计算
要理解 AlphaFold 的价值，得先知道传统方法有多难。
实验方法：X射线晶体学、核磁共振、冷冻电镜。精度很高，但成本高、周期长、对蛋白本身有要求。很多膜蛋白或者动态复合物根本没法结晶。
于是大家开始想办法用计算机算。早期方法大致分两类：
- 同源建模：找模板，依赖已知结构。遇到全新折叠直接歇菜。
- 从头预测：用物理能量函数去搜索构象空间。算力需求巨大，成功率很低。
深度学习入场后，先是把残基距离和接触预测精度拉高了十几个百分点。2018年AlphaFold第一版在CASP13上拿了第一，但性能还没到实用级。真正的爆发是AlphaFold2——直接把结构预测的精度推到了与实验方法相当的水平。
1.2 AlphaFold 的诞生与突破
简单说，AlphaFold2 是个端到端的深度学习模型。它把传统方法里分阶段的任务——MSA构建、模板对齐、能量最小化——全部揉到一个神经网络里，用可微分的方式端到端地学习。
我拆一下它最关键的两个模块：
- Evoformer：处理MSA和成对特征。通过行/列注意力轮流更新MSA表示和成对表示，相当于让模型自己找出进化信息里的规律。
- Structure Module：把抽象的残基表示转换成具体的三维坐标。用IPA（Invariant Point Attention）保证平移和旋转不变性。
这两个模块堆叠起来，加上recycling循环，使得预测精度在CASP14上达到了中位RMSD 0.5 nm以下——这在以前是不可想象的。
我个人习惯把AlphaFold2理解为「可微分的结构搜索」。它不是在能量面上暴力采样，而是让梯度信号直接从最终坐标回传到输入特征。这个设计思想后来也被很多其他科学AI模型借鉴了。
1.3 从 AlphaFold2 到 AlphaFold3
AlphaFold3 是在2024年发布的，扩展了适用范围。除了蛋白质单体，还能预测蛋白质-小分子、蛋白质-核酸（DNA/RNA）、甚至蛋白质-修饰残基的复合物。它进一步统一了表示空间，用 Diffusion 模块直接生成原子坐标，不再像AlphaFold2那样分步做残基框架和侧链。
但坦白讲，AlphaFold3 的模型结构更复杂，导出和部署的难度也相应增加。目前社区里对AlphaFold3的开源复现还没完全稳定，所以我们课程的主力还是基 AlphaFold2 来讲解导出流程，但里面涉及的原则——比如动态轴对齐、内存管理、算子兼容——在AlphaFold3上同样适用。
1.4 为什么需要导出与 ONNX 优化？
很多人以为推理就是用原版PyTorch/JAX跑一下就完了。说实话，我在2022年花了整整一个月才把AlphaFold2成功部署到客户的GPU集群上，踩过的坑列出来能写一本小册子。
主要有几个痛点：
| 痛点 | 后果 |
|---|---|
| 模型太大（～800MB参数） | 显存吃紧，单卡难跑 |
| 依赖特定Python环境 | 版本冲突，难维护 |
| 动态shape + 循环 | PyTorch导出容易报流图不完整 |
| 推理速度慢（单条序列数分钟） | 高通量筛选不现实 |
ONNX（Open Neural Network Exchange）提供了一个统一的模型表示标准。把AlphaFold导出到ONNX以后，你可以：
- 摆脱框架依赖：只用ONNX Runtime就能跑，部署环境干净很多。
- 享受后端优化：TensorRT、OpenVINO等推理引擎都支持ONNX作为输入。
- 混合精度与量化：FP16甚至INT8推理，速度翻几倍。
我曾经接手过一个项目，团队原本用原始PyTorch跑AlphaFold2做虚拟筛选，每天只能处理不到100个靶点序列。我帮他们做了ONNX导出 + FP16优化后，同样一块A100，吞吐量飙升到每天1200+。那个客户后来每个季度都续签合同。
但注意，AlphaFold的结构里包含很多自定义算子（比如ipa_pairs、三角乘法），直接导出会遇到各种兼容性报错。我们后面会手把手教你逐层替换。
避坑：不要以为`torch.onnx.export`能一把过。AlphaFold复杂的控制流（recycling循环、动态mask）需要配合`torch.jit.script`，甚至要手动改写部分forward函数。这些我会在课程里一一演示。
1.5 本章小结
这一章我们把AlphaFold的背景拉了一遍。你只要记住几个关键点：
- AlphaFold2是一个端到端的、基于注意力机制的可微结构预测模型。
- 它利用了进化信息（MSA）和模板结构来完成预测。
- 原版模型直接部署会有框架、性能、环境等一堆问题。
- ONNX标准化加上推理优化，可以显著提升吞吐量，降低运维成本。
下面这张图概括了AlphaFold2推理的核心流水线——从序列输入到结构输出，我们后面每一步导出操作都会围绕它展开。