第2章：AlphaFold整体架构与流程梳理

咱们先不急着调参数，得先把AlphaFold这个大家伙的骨架摸清楚。我刚开始接触这个模型的时候，也被它那复杂的流程图搞得有点懵。说白了，AlphaFold本质上是一个从序列到结构的端到端翻译器，只不过中间塞了好几个精妙的设计。

2.1 从输入到输出的一条主线

AlphaFold的输入很简单，就是一个蛋白质的氨基酸序列。但输出呢，是一个包含所有重原子三维坐标的PDB文件。你想想看，中间这过程得有多复杂。

这张图是我画了好几个版本才定下来的核心流程。你重点关注中间的特征加工流水线，那是我们调优的主战场。

2.2 输入特征的三个来源

AlphaFold的输入可不是简单的一条序列。它需要从三个维度构建特征：

特征来源	描述	特征维度	我的调优经验
MSA（多序列比对）	同源序列的进化信息	N_seq × N_res × 22	这里我吃过亏，序列数太少模型会不稳定
模板结构	已知同源蛋白的三维结构	N_res × N_res × 37	模板质量比数量更重要
序列特征	目标序列的理化属性	N_res × 21	这部分我一般不动，除非特殊任务

2.3 数据预处理：特征工程的主战场

原始特征拿过来是不能直接用的。AlphaFold做了一系列预处理操作，我个人觉得这是整个流程中最值得优化的环节。

MSA构建的具体步骤：

1. 序列搜索：用HHblits或Jackhmmer在大型数据库里找同源序列。
2. 配对与去重：去除冗余序列，保留多样性。我曾经遇到过一个案例，数据库里90%的序列都来自同一个物种，结果模型预测的偏好性特别强。
3. 特征编码：把比对结果转成one-hot编码和profile矩阵。

模板搜索与处理：

1. 结构搜索：用HHSearch在PDB里找结构相似的同源蛋白。
2. 配准对齐：把模板结构映射到目标序列上。
3. 距离矩阵提取：计算模板中Cα原子之间的距离，作为结构先验。

2.4 Evoformer模块：特征深度融合

Evoformer是整个模型的发动机。它由48个相同的blocks堆叠而成，每个block干两件事：

• 配对特征更新：用一个三角形自注意力机制，强化残基对之间的空间关系。
• MSA特征更新：用轴向注意力机制，同时捕获序列维度和残基维度的信息。

这两个特征流是双向交互的，说白了就是一个互相喂信息的过程。MSA特征告诉配对特征哪些残基是保守的，配对特征又反过来告诉MSA特征哪些残基可能在空间上靠近。

2.5 结构模块：从特征到坐标的跳跃

Evoformer输出的特征经过结构模块，才真正变成三维坐标。这个模块的核心是迭代IPA机制（Invariant Point Attention）。

IPA的有趣之处在于它做预测时是保持旋转平移不变性的。你想想看，不管你把输入蛋白质怎么旋转，模型内部的计算结果不应该变。这个性质的实现，靠的是在注意力计算中引入了距离和方向信息。

结构模块会循环精炼8次，每次生成一个局部的残基框架，然后逐步构建出完整的骨架。嗯，这里要注意，循环次数是可以在配置文件中调整的，但我建议新手先别动它。

2.6 损失函数：指导模型学习的信号

AlphaFold的训练损失很有意思，它包含了好几个分量：

损失项	作用	权重
FAPE损失	主链Cα坐标的对齐误差	0.5
距离损失	残基对距离图的预测误差	0.3
夹角损失	二面角的预测误差	0.1
结构流失	辅助的结构约束项	0.1

这些损失项在训练时是加在一起的，但调优的时候我建议你分开看。我遇到过的情况是，某个特征改动让FAPE损失降了，但距离损失反而升了，这时候就需要权衡了。

2.7 特征调优的切入点总结

通过这章对整体流程的梳理，你应该能看出特征调优的切入点了：

• MSA特征：调整序列搜索的e-value阈值、增加/减少同源序列数量、使用不同的数据库。
• 模板特征：控制模板数量、设定模板质量阈值、甚至完全禁用模板。
• 序列特征：很少改动，主要看是否需要加入额外的理化属性。