第3章：AlphaFold 架构简介
3.1 整体架构：从序列到结构的"工厂流水线"
AlphaFold 的架构设计，我个人的理解，就像一条精心设计的"信息工厂流水线"。多数初学者一上来就被各种模块——Evoformer、结构模块、循环迭代——搞得眼花缭乱。别慌，咱们一步步拆开看。它本质上就是把输入的多序列比对（MSA）和模板信息，通过一系列可学习的操作，最终"折叠"成一个三维原子坐标。
我也得说实话，这个架构在2021年刚出来时，很多结构生物学家都觉得"这不科学"——因为它不像传统能量计算那样基于物理原理，而是纯粹靠"猜"模式。但事实证明，这个猜法惊人的准确。
整体上来讲，Pipeline 可以分为三个主要环节：
- 特征提取与表示构建——把原始序列、MSA、模板变成高维向量。
- Evoformer 核心骨干——在 MSA 和 pair 表示之间反复做"信息交换"，捕捉共进化关系。
- 结构模块——从 pairwise 表示出发，用迭代的方式"投射"出原子坐标。
嗯，如果你想用一句话记住：Evoformer 是大脑，负责"理解"序列间的关系；结构模块是小手，负责把理解变成立体的结构。
3.2 输入特征：MSA 和模板是怎样被"编码"的
先说说 AlphaFold 怎么"看"输入序列的。原始的目标序列和它的 MSA 当然是核心，但直接扔给神经网络是不行的——得先做一次"翻译"。
我个人习惯把特征分成三块：
- MSA 特征：它包括 one-hot 编码的氨基酸类型、位置特异性得分矩阵（PSSM）、以及一些间隙标记。维度大概在 22 维左右（20种氨基酸+未知+间隙）。每个残基位置都会被编码，然后在 MSA 的 N_seq x N_res 矩阵上做操作。
- Pair 特征：这是关于残基对（i, j）之间关系的特征矩阵。最常见的就是"相对位置编码"。两个残基在序列上的索引差会被映射成一个向量。
- 模板特征：如果有多条已知结构的同源蛋白，它们的结构会被提取出来，用（Cα 原子间的距离和方位）形成一个 N_res x N_res 的"结构距离图"，然后也变成 pair 特征的一部分。
对了，我在早期复现 AlphaFold 时，踩过一个大坑：相对位置编码的截断阈值设置错误。这会直接导致 pair 表示中"远端残基关系"的丢失。细小的参数对结果影响巨大。
这些特征会先被投射成初始表示：
msa_feat→N_seq x N_res x c_m(c_m 通常 256)pair_feat→N_res x N_res x c_z(c_z 通常 128)
3.3 Evoformer：MSA 多样性的"搅拌机"
接下来是整个架构中最核心的部分：Evoformer。它由一串相同结构但权重不同的 Transformer 层堆叠而成。每层都由两个并行的"轨道"组成：
| 轨道名称 | 维度 | 功能描述 |
|---|---|---|
| MSA 表示 (msa_act) | N_seq × N_res × c_m | 以残基为"注意力对象"，更新每条序列的表示 |
| Pair 表示 (pair_act) | N_res × N_res × c_z | 以残基对为"注意力对象"，更新所有残基间的关系 |
这两个轨道并不是孤立的。Evoformer 中最关键的设计就是"MSA 到 pair"以及"pair 到 MSA"的注意力信息交换。你想想看：MSA 的多样性（序列间的差异）可以帮助推断哪些残基对在进化上是耦合的（即结构上可能接近）；反过来，pair 表示中已经知道的"残基对距离"又能指导 MSA 中哪些列是共进化的。这就是循环校验。
我曾经为了尽快拿到结果，被迫把 Evoformer 的层数从 48 砍到 24——嗯，结果很差。后来我意识到，少层数没法让这种"信息交换"充分收敛。所以，深度就是质量的一部分。
# 以简化的伪码表示 MSA → pair 的注意力（行注意力）
# 假设我们已经有了 msa_act: [N_seq, N_res, c_m]
# 和 pair_act: [N_res, N_res, c_z]
# 操作步骤：
# 1. 对 MSA 做"行注意力"（每条序列内部残基的注意力）
# 2. 从 msa_act 中提取出"残基对"的特征
# 3. 加到 pair_act 上
def row_attention_with_pair_bias(msa_act, pair_act):
# pair_act 增加一个偏置项到注意力分数中
# 注意力分数 = Q * K^T + pair_bias
return updated_msa_act实际上，Evoformer 的堆叠数是 48 块（caspar 版本）。每一块都进行上述的"行/列注意力"和"三角乘法更新"。这听起来很重，但正是这种重复，才让模型在复杂的共进化信号中提炼出稳定模式。
3.4 结构模块：把抽象的表示"翻译"成三维坐标
经过 Evoformer 的多轮"搅拌"，我们得到了一个非常"聪明"的 pair 表示。结构模块的任务，就是用这个表示来构建一个具体的蛋白质骨架。
AlphaFold 用的是迭代细化的做法：
- 初始化一个"粗"的骨架（比如所有残基都在同一个点）。
- 然后通过一个"结构调整器"（由 IPA 模块和 backbone 更新组成），根据当前的 pair 表示，逐步移动每个残基的定位。
- 每移动一次，就用 pair 表示重新计算一下残基间的约束。这个约束会反馈给调整器。
- 这样重复 8 次（如果我没记错的话），得到最终的三维结构。
IPA（Invariant Point Attention）模块是结构模块的核心——它保证输出的坐标是旋转平移不变的。这意味着不管你如何旋转整个系统，注意力计算的结果都一样。这个设计，说白了，确保了最终结构的物理合理性。
3.5 整体流程图
下面这张图概括了从输入到输出的整体逻辑。我用一种简单大家都能看懂的方式画了出来：
这张图展示了信息从输入到输出的整体流动方向，以及每个阶段所执行的核心操作。你看，它其实不像有些文献画的那么复杂——关键就是"提取特征 → 双向交流 → 迭代构建"。这也是我每次给学生讲 AlphaFold 时手画的第一张图。
3.6 AlphaFold 架构的局限与启发
虽然这个架构效果惊人，但仔细审视，还是有些潜在的缺陷。我自己在实际项目中感受比较深的有这么几条：
- 对 MSA 深度的敏感度：模型很大程度依赖于 MSA 中多样性的数量——缺少同源序列时，Evoformer 的"共进化信号"就弱很多。
- 计算成本高：48 层 Evoformer + 每层的行/列注意力，意味着一次推理需要大量 GPU 内存。长度超过 300 残基的蛋白质，单卡基本跑不动。
- 没有显式的能量优化：传统的分子力场（如 Rosetta、Amber）根本不参与训练或推理。偶尔会出现一些"物理上不合理"的结构（如环状结构中的极度扭曲）——AlphaFold 没法自我修复。
好了，AlphaFold 的架构就是这么回事。它不是万能钥匙，但它给了我们一个非常重要的启示：在结构预测这件事上，恰当的归纳偏置（pair 表示、迭代细化、旋转不变注意力）比单纯的扩大模型规模更有效。
明天你需要准备的是什么？我想你已经心中有数了——就是深入理解 MSA 特征和 Evoformer 之间的关系。别急，我们会一章一章拆透。