2. AlphaFold原理简介：Evoformer与Structure Module的核心设计思想

聊到AlphaFold，很多人第一反应是“它怎么把序列变成结构的？”其实说白了，整条流水线上最核心的两个引擎，就是Evoformer和Structure Module。我刚开始啃这块的时候，也觉得概念挺绕，但一旦搞懂它们各自在干什么，后面调参就有方向了。

2.1 两条线索：MSA表示与Pair表示

你想想看，蛋白质结构预测本质上是猜每个原子在三维空间中的坐标。但光看一条序列，信息量远远不够。AlphaFold聪明在哪呢？它同时维护两套信息：

• MSA表示（1D序列信息）：多序列比对的加权演化信息，告诉你哪些位置保守、哪些容易突变。
• Pair表示（2D残基对信息）：任意两个残基之间的距离、相对位置、共进化关系。

这两条线索在Evoformer里不断交叉更新，互相“喂”信息。我在项目中遇到过一种情况：如果MSA质量差，Pair表示也学偏了，结果结构预测直接崩掉。所以从一开始，这两者的交互设计就是整个网络的基石。

2.2 Evoformer：信息交换的“核反应堆”

Evoformer干了件很聪明的事——它不是简单把MSA和Pair拼在一起，而是设计了五组带外积的交互模块。我个人的习惯是把Evoformer想象成一个会议室：

• MSA行/列注意力：每个序列、每个位置都在“听”其他位置的演化信号。
• Pair更新与三角乘法：残基对之间的三维几何约束通过三角不等式传递。
• 外积均值：把MSA的整体演化信号压缩成残基对的更新信号。

为什么要用“外积”？你可能已经想到了，序列层面的共进化信息需要在残基对层面表达出来。外积恰好能完成这个升维任务：从[N_seq, N_res, d_msa]变换为[N_res, N_res, d_pair]。

在实际配置里，这些东西会体现为一些超参数。比如Evoformer块的数量、MSA特征维度、Pair特征维度等。下面是个典型的配置片段：

# AlphaFold模型配置核心参数（Evoformer部分）
model:
  heads:
    evoformer:
      num_blocks: 48          # 堆叠多少个Evoformer块（越多越深）
      msa_channel: 256        # MSA表示的特征维度
      pair_channel: 128       # Pair表示的特征维度
      seq_channel: 384        # 单序列的嵌入维度
      triangle_multiplication: true  # 是否启用三角乘法更新
      outer_product_mean: true       # 是否使用外积均值连接

这里num_blocks: 48是我踩过的坑之一。当初为了省显存，把块数削到24，结果预测精度直接掉了一个档次。后来发现，Evoformer的深度直接影响残基对信息的传播距离，太浅了根本学不到长程相互作用。

2.3 Structure Module：从抽象到坐标的“解算器”

如果说Evoformer是“大脑”，那Structure Module就是“手”——它负责把抽象的表征变成具体的三维坐标。这里面有一个非常优雅的设计：IPA（Invariant Point Attention），也就是等变点注意力。

IPA为什么重要？因为蛋白质结构具有三维空间的旋转和平移不变性。你想想看，如果网络学到的坐标会随着整体旋转而改变，那训练就白费了。IPA通过将注意力计算建立在相对坐标和局部框架上，天然保证了预测结果的等变性。

具体来说，Structure Module反复执行以下操作：

1. 将残基表征映射为局部框架（每个残基定义自己的坐标系）。
2. 在局部框架内计算注意力，更新主链扭转角。
3. 通过扭转角重建完整原子坐标。

这个循环通常重复8次，每次都在微调骨架的精度。我在调试过程中发现，迭代次数太少（比如4次）会导致某些侧链的摆放明显错误，但增加到12次以上收益就非常小了。所以默认的8次是个合理平衡点。

2.4 两条流如何汇合？

Evoformer和Structure Module的数据流向是这样的：

• Evoformer输出单序列表示（每个残基的抽象向量）和Pair表示（残基对的特征）。
• Structure Module拿到单序列表示开始构建初始骨架。
• 每次迭代时，Pair表示会作为成对偏差注入到IPA的注意力计算中。
• 最终多次迭代收敛到一组三维坐标。

我用个简单的示意图帮你理清这个关系：

2.5 两个模块的对比总结