概述
2020年11月30日，DeepMind宣布其AI系统AlphaFold 2在蛋白质结构预测方面达到了近实验精度——有效解决了困扰生物学界逾五十年的重大难题。
在CASP14（第14届蛋白质结构预测关键评估竞赛）上，AlphaFold 2的中位GDT（全局距离测试）得分高达92.4分（满分100分），高得让科学界一度质疑评估是否存在缺陷。结果并无缺陷。生物学界只是目睹了AI越过了一道他们未曾预期在有生之年见到的门槛。
问题所在
蛋白质是由氨基酸链组成的分子。其三维形状——链折叠的方式——决定了它的功能：是催化反应、构建细胞结构、对抗感染，还是引发疾病。五十年来，生物学面临一个根本性约束：我们能读取蛋白质的基因序列，却无法可靠地预测其形状。
通过实验（X射线晶体学或冷冻电镜）确定一种蛋白质结构，需要数月实验室工作，耗资数十万美元。人类基因组计划为我们提供了约2万种人类蛋白质的序列。而了解它们的形状，才能构建药物、理解疾病、改造生物。
截至2020年，数十年间仅有约17万种蛋白质结构被实验确定。自然界估计存在2亿种蛋白质，形状未知。
AlphaFold 2的工作原理
与2018年的AlphaFold 1（模块化方法）不同，AlphaFold 2采用了新颖的架构，融合了：
- 多序列比对（MSA）：利用进化信息——如果两个物种都拥有某种功能性蛋白质，它们共同进化的氨基酸往往在三维空间中相互靠近
- Evoformer：类Transformer的专用模块，联合推理序列和成对距离关系
- 结构模块：利用等变表示直接预测三维坐标，遵循旋转和平移的物理规律
该模型以蛋白质数据库（PDB）中约17万种实验确定的结构为训练集，隐式学习了氨基酸相互作用的物理规律。
影响
AlphaFold 2发布后一年内：
- DeepMind发布AlphaFold蛋白质结构数据库（2021年7月），收录约35万种蛋白质结构，涵盖整个人类蛋白质组
- 至2022年，数据库扩展至2亿种蛋白质结构，覆盖生物学中几乎所有已知蛋白质
- 研究人员利用AlphaFold预测加速了：疫苗研发、癌症研究、抗生素发现、遗传疾病理解及工业酶工程
2024年，Demis Hassabis和John Jumper（AlphaFold首席研究员）获得诺贝尔化学奖——这是首个因AI驱动的科学发现而颁发的诺贝尔奖。
为何意义深远
AlphaFold 2标志着AI首次无可争议地做出了根本性科学发现——不是辅助科学家，而是独立解决了人类科学家无法单独解决的问题。它消弭了"AI作为工具"与"AI作为科学主体"之间的界限。
如果Transformer是解锁语言与推理的架构，AlphaFold则是证明同类方法能解锁生物学、化学乃至物理学的明证。此后每一个"AI for Science"项目——AlphaMissense、AlphaGenome、GNoME（材料）、天气预测——都能追溯到2020年11月的这一时刻。