1. AlphaFold 简介与背景

1.1 蛋白质结构预测——为什么我总说这是「硬骨头」

蛋白质是生命活动的执行者，这个大家都知道。但它的功能并不直接写在氨基酸序列里，而是藏在它折叠后的三维结构里。结构决定功能，这话在生物学里就跟物理里的 F=ma 一样基础。

我当初刚进入这个领域时，总觉得这事儿不太可能用纯计算解决——蛋白质那么多原子，自由度太高了。传统的实验方法，X 射线晶体衍射、冷冻电镜、NMR，哪个不是耗时又烧钱？一个中等大小的蛋白，从纯化到拿到结构，半年算快的。有些膜蛋白，折腾两年都解不出来。

所以计算生物学一直在努力——能不能直接从序列「算」出结构？这个问题被称为蛋白质结构预测，说白了就是给一串氨基酸字母，算出它在三维空间里怎么折叠。几十年来，学界用各种方法试过：同源建模、片段组装、分子动力学……效果嘛，有，但离实用差得远。直到 AlphaFold 出现。

1.2 AlphaFold 的「成长史」——从 CASP 到改变世界

要聊 AlphaFold，绕不开 CASP（Critical Assessment of Structure Prediction）。这个比赛每两年一届，算是结构预测领域的「奥运会」。各家方法上去跑盲测，拿实验结果跟预测结果比，公平得很。

版本	时间	CASP 成绩	核心突破
AlphaFold v1	2018	CASP13 冠军 (GDT 约 60)	首次将深度学习端到端应用于结构预测
AlphaFold v2	2020	CASP14 冠军 (GDT 中位数 92.4)	Evoformer + 端到端可微分架构
AlphaFold-Multimer	2021	蛋白质复合物预测	支持多链蛋白质复合物
AlphaFold3 (AF3)	2024	扩展至小分子/核酸/修饰	统一架构，支持多种生物分子

我记得第一次看到 AlphaFold2 的预测结果时，确实被震撼到了。一个之前 GDT 卡在 60-70 分的问题，它直接干到了 92 分。你想想看，GDT 90 以上基本就跟实验结构没什么肉眼可见的区别了。那时候我们实验室群里都在刷屏，有人说「这事结束了」，现在看来，确实如此。

我建议刚接触 AlphaFold 的朋友，一定要去看看 CASP14 上 AlphaFold2 的那些预测案例——有些蛋白之前十几年都没人解出来，它一次预测全对。那种感觉，嗯，就像看到 GPT-3 第一次写出通顺文章一样，历史性的时刻。

1.3 AlphaFold2 核心架构——我习惯把它拆成三块看

AlphaFold2 的架构说实话一开始看挺劝退的，又是 Evoformer 又是 Structure Module，还有一大堆注意力机制。但我跑过几次项目后，习惯把它拆成三块来理解：

1. 输入处理层：把氨基酸序列转成 MSA（多序列比对）和 Pair Representation。这一步决定了模型能看到多少进化信息。
2. Evoformer：核心推理引擎。MSA 和 Pair 两条路径在里面来回交互，互相更新特征。说白了就是让「序列信息」和「残基对信息」不断对齐。
3. Structure Module：把特征变成三维坐标。用 IPA（Invariant Point Attention）机制，保证输出结果在旋转平移下不变。

你看这个流程图，从左到右数据流动很清晰。但实际训练时，Evoformer 和 Structure Module 之间是有循环的——结构模块会输出一些约束反馈给 Evoformer，再做精化。不过对于第一次接触，先记住这个单向流程就够了。

1.4 基本原理——AlphaFold 凭什么「猜」得这么准

我常被问到一个问题：AlphaFold 到底用了什么魔法？其实拆开来看，核心就三点：

• MSA（多序列比对）的深度利用。进化上相关的同源序列，隐含了共进化信息。两个残基在进化中总是一起突变，说明它们在空间上很可能挨着。AlphaFold 把这种共进化信号用 Attention 机制提取出来，本质上是在用「进化实验」指导折叠。
• 端到端可微分架构。以前的很多方法分两步走——先预测距离矩阵，再折叠成结构。AlphaFold2 一步到位，整个模型从序列到坐标全部可微分，梯度能流到每一个参数。这意味着它能用数据直接优化最终结构质量。
• 物理约束与深度学习的结合。Structure Module 里的 IPA 保证了输出结构的旋转平移不变性，同时模型会学习 Ramachandran 图、空间位阻这些物理规则，不只是瞎猜。

1.5 快速上手——跑一个最简单的预测

说到实践，我建议你直接在 GPU 机器上跑一次单体蛋白预测，看看完整的管线长什么样。下面这个命令是我常用的最小化启动方式：

docker run --gpus all -v /mnt/data:/data \
    alphafold:latest \
    --fasta_paths=/data/input.fasta \
    --output_dir=/data/output \
    --max_template_date=2024-01-01 \
    --model_preset=monomer \
    --db_preset=reduced_dbs

参数含义很直接：--fasta_paths 指定输入序列文件，--model_preset=monomer 表示预测单体蛋白，--db_preset=reduced_dbs 是用精简版数据库（小规模测试时省时间）。

我第一次跑的时候，看着日志里 Evoformer 一轮轮迭代，pLDDT 分数从 30 慢慢涨到 90+，那种感觉……嗯，有点像等实验结果出炉。等跑完打开 PDB 文件，用 PyMOL 看一眼预测结构，确实跟实验结构叠合得很好。那一刻你就知道，这个领域真的变了。