蛋白质结构预测概述：从实验结构到计算预测，AlphaFold 的突破性贡献
说实话，在 AlphaFold 出来之前，我们做结构生物学的人日子过得挺苦的。你去找个晶体结构，运气好几个月，运气不好几年都拿不到。我自己就经历过一个项目，一个重要的靶点蛋白，折腾了两年多，最后拿到一个 3.5 埃的电子密度图，勉强能搭个 Cα 骨架。嗯，那会儿我就想，要是能直接从序列算出结构来该多好。
很多人以为蛋白质结构预测是 AlphaFold 才开始的。其实不是，这个领域我已经干了十几年了。从早年的同源建模到后来的 Rosetta，再到深度学习，每一步我都踩过坑。今天这篇，我就带你看看这段路是怎么走过来的，以及 AlphaFold 到底牛在哪儿。
实验结构解析：精度与成本之间的平衡
先说说实验方法。你没看错，在聊预测之前，得先明白我们到底在跟什么对比。
目前主流的实验结构解析方法就三种：
- X射线晶体学：精度最高，能到 1-2 埃。但前提是你得拿到蛋白晶体。我在项目中遇到过最惨的一次，纯化了半年，换了 2000 多个结晶条件，愣是一颗晶体都没长出来。
- 冷冻电镜：这几年火得不行。适合大分子复合物，不用结晶。分辨率现在也能干到 2-3 埃了。但设备贵，数据处理麻烦，而且对小蛋白不太友好。
- 核磁共振：能在溶液里测结构，接近生理状态。但蛋白分子量有限制，一般 30kDa 以下。我刚开始做结构时用的就是 NMR，说实话，谱峰归属那一步能让你怀疑人生。
关键对比：实验结构是最准的，但代价太大。平均一个实验结构的成本在 10-50 万美元，周期 6-24 个月。而且不是所有蛋白都能结晶或适合冷冻电镜。这就是为什么我们需要计算预测。
计算预测方法的演进：从模板到端到端
计算预测走过几个阶段。我按时间线给你捋一捋：
| 阶段 | 方法 | 特点 | 我的评价 |
|---|---|---|---|
| 第一代（1990s） | 同源建模 | 依赖已知模板，只能预测与模板相似的结构 | 说白了就是“照猫画虎”，没模板就歇菜 |
| 第二代（2000s） | 穿线法/折叠识别 | 能识别远源同源，但精度有限 | 我试过，大部分时候结果没法用 |
| 第三代（2010s） | Rosetta/从头预测 | 不依赖模板，但计算量巨大 | 曾经跑过一个 100 残基的蛋白，集群上算了两个月 |
| 第四代（2018-2020） | 深度学习接触预测 | CASP13 开始崛起，精度大幅提升 | 这个阶段我特别激动，因为终于看到曙光了 |
| 第五代（2021-） | AlphaFold2 端到端 | 原子级别精度，直接预测坐标 | 说实话，第一次看到结果我有点不敢相信 |
为什么早期的方法不行？核心问题在于能量函数。你想想，蛋白质折叠的物理规律我们早知道了，但实际计算时，搜索空间太大，能量函数也不够准，很容易掉进局部极小值。我记得有一次用 Rosetta 跑一个膜蛋白，结果最后出来一个球形的结构，跟实际差了十万八千里。
避坑指南：如果你现在还要用传统方法做从头预测，我建议你慎重。除非小蛋白或者有特殊理由，否则直接上 AlphaFold 或 RoseTTAFold 会省心很多。
AlphaFold 的突破：它到底做对了什么？
很多人说 AlphaFold 是“暴力美学”，其实没那么简单。它的突破点有三：
- 端到端预测：不像以前分步走（先预测接触图，再折叠），AlphaFold 直接从序列到坐标，一步到位。我当年做接触预测的时候，一个蛋白要跑多个 pipeline，还得手动挑模型，现在想想真是原始。
- 注意力机制：用 Transformer 处理序列间的共进化信息。说白了，就是让模型学会看 MSA 里哪些残基对在进化上保守且共变异，这恰恰对应了空间上的接触。
- 迭代优化：AlphaFold 不是一次生成结构，而是反复调整。它有个 recycle 机制，把上一轮的输出再塞回去重新算。我试过，3 次 recycle 之后 RMSD 能降很多。
我印象特别深的是 CASP14 那次。AlphaFold2 的 GDT_TS 中位数达到 92.4，而第二名的团队才 70 多。这意味着什么？AlphaFold2 预测的结构和实验结构之间的平均差异，已经小于实验方法之间的差异了。说实话，当时我在现场看结果，鸡皮疙瘩都起来了。
注意：AlphaFold 不是万能的。它预测的精度依赖 MSA 的深度。对于孤儿蛋白（没有同源序列），或者多构象蛋白，它的表现会明显下降。我曾在项目中遇到一个 intrinsically disordered protein，AlphaFold 强行给了一个球形结构，pLDDT 低得可怜。这时候你要相信 pLDDT，别硬用。
从 AlphaFold 到 pLDDT：为什么需要置信度指标？
好，结构预测出来了，你怎么知道它准不准？
这就是 pLDDT 诞生的原因。以前的预测方法，给你一个模型就完事了，好坏你自己判断。AlphaFold 不一样，它同时输出每个残基的置信度分数。这个设计我觉得特别聪明。
你看它输出的 JSON 文件：
{
"plddt": [
0.89, 0.92, 0.95, 0.87, 0.91,
0.98, 0.97, 0.88, 0.45, 0.33,
0.41, 0.52, 0.63, 0.78, 0.90
]
}上面这段是我从真实预测中截取的。你看第 9-12 个残基（0.45, 0.33, 0.41, 0.52），分数很低，这通常对应 loop 区或者无序区域。如果你看到预测模型里这些区域被硬塞成一个奇怪的结构，别惊讶，直接无视它们就行。
AlphaFold 如何做到这个的？它用了一种叫“自蒸馏”的训练策略。简单说，在训练时让模型同时预测结构和置信度，通过损失函数把两者绑在一起。我试着复现过这个 trick，确实有效，但调参很痛苦。
这张图我画得比较简洁。你就记住：实验结构是金标准，但贵且慢；传统计算是补充，但精度有限；AlphaFold 是桥梁，把两者拉近了。而 pLDDT，就是这座桥上的路标，告诉你哪段安全、哪段有坑。
我曾经拿 AlphaFold2 预测过一个未被实验解析过的蛋白，然后用分子动力学模拟验证了其中一个 loop 区域的柔性。结果发现，AlphaFold 在 pLDDT 高的区域（>90）预测非常准，而低 pLDDT 区域，虽然结构模型不可靠，但它提示的那个柔性区域反而是正确的。这说明 pLDDT 不仅能告诉你哪里可信，还能暗示哪些区域可能需要进一步研究。