AlphaFold 3准确预测生物分子相互作用的结构

原文标题： Accurate structure prediction of biomolecular interactions with AlphaFold 3
作者： Josh Abramson、Jonas Adler、Jack Dunger 等｜期刊： Nature 630, 493–500 (2024)｜发表： 2024-05-08
原文： Nature｜DOI: 10.1038/s41586-024-07487-w

核心结论

三个值得记住的结论

1. 统一对象。 AlphaFold 3（AF3）能在一个模型里处理蛋白质、DNA、RNA、小分子、离子和修饰残基，不再为每类相互作用准备一套独立工具。
2. 统一输出。 它把复合物表示成原子，并从随机坐标反复“去噪”，最后给出所有原子的三维位置。
3. 更强但不是实验替身。 多类基准上它超过专用方法，但仍会犯手性错误、产生原子碰撞，也不能还原溶液里的动态构象集合。

论文解决的问题可以压成一句话：能否用一个深度学习框架，准确预测几乎覆盖蛋白质数据库常见化学类型的复合物结构？ 作者的回答是可以，而且在论文比较的多数类别中，AF3 超过了对应的强专用方法。来源：摘要、正文 Main、图 1c

问题

过去的工具各管一段

AlphaFold 2 让单个蛋白质结构预测大幅进步，AlphaFold-Multimer 又扩展到蛋白质复合物。但药物、DNA、RNA、金属离子和化学修饰并不都遵循“氨基酸链”的表达方式。过去的预测器大多只擅长一种相互作用，因此一个真实复合物常要拆给多套工具处理。来源：正文 Main，第 125–130 行；参考文献 1、7

真正难的是共享一种表示

蛋白质可按残基描述，小分子却更像任意原子图。若模型依赖蛋白质专用的局部坐标框架和侧链扭转角，它很难自然容纳其他化学实体。AF3 因而把问题改写为：先理解哪些组成部分彼此相关，再直接预测全部原子的坐标。来源：网络架构与训练，图 1d、图 2

方法

输入先变成共同的分子语言

模型接收聚合物序列、残基修饰和小分子的 SMILES。蛋白质、核酸与配体随后被编码成 token 和原子层级的特征，因此不同化学对象可以进入同一条计算管线。来源：Accuracy across complex types；图 2

Pairformer 负责理解“谁和谁有关”

AF3 弱化了多序列比对（MSA）的处理，用更简单的 Pairformer 取代 AF2 的 Evoformer 主干。Pairformer 保留单个 token 的信息，也持续更新 token 两两之间的关系；论文中的主干包含 48 个 Pairformer 块。来源：Network architecture and training；图 2a

扩散模块直接摆放原子

可以把扩散想成整理一桌散乱的珠子：训练时，模型看到被加噪的原子坐标并学习恢复真实坐标；推理时，它从随机噪声出发，反复去噪，逐步形成完整复合物。小噪声阶段更强调局部化学几何，大噪声阶段更强调整体排布。这样就不必为每种分子预先设计专用的扭转角和坐标框架。来源：Network architecture and training，第 158–162 行

证据与局限

最硬的证据来自多类独立比较

在含 428 个蛋白质—配体结构的 PoseBusters 基准上，论文以“口袋对齐后的配体 RMSD 小于 2 Å”为成功标准。AF3 不使用测试结构信息，仍显著超过传统对接工具 Vina（P = 2.27 × 10⁻¹³），也超过真正盲对接的 RoseTTAFold All-Atom（P = 4.45 × 10⁻²⁵）。在蛋白质—核酸与 RNA 任务上，它高于 RoseTTAFold2NA 和 AIchemy_RNA 的共同子集平均表现；但在 10 个 CASP15 RNA 靶标上，它没有超过有人类专家参与的 AIchemy_RNA2，且样本太少，论文没有报告显著性检验。来源：Accuracy across complex types，第 182–190 行

这些数字不能直接横向拼成一个总分

各任务使用不同指标、测试集和筛选条件。图 1c 通常从 5 个模型种子、每个种子 5 次扩散采样中选置信度最高者；抗体—抗原则对两种模型都从 1,000 个种子中排名。因此论文证明的是“多个既定基准上表现更强”，不是现实世界所有复合物都能一次预测正确。来源：图 1 图注；Methods

四类失败值得优先检查

PoseBusters 中仍有 4.4% 的手性违规；模型偶尔让原子甚至整条链重叠。扩散模型还可能把无序区域画成看似规整的结构，虽然这些区域通常置信度很低。更根本的是，AF3 预测的是类似 PDB 记录的静态结构，多次随机采样也不能近似溶液中的动态构象集合；抗体—抗原任务往往要生成并排名多达 1,000 个种子才明显改善，计算成本随之上升。来源：Model limitations；图 5

实际意义

最适合缩小候选空间

对药物发现和结构生物学团队，AF3 的实用价值是让同一条管线同时提出蛋白质—配体、蛋白质—核酸、抗体—抗原等结构假设。这有望减少工具切换，并帮助团队决定先合成、突变或测量哪些候选。这里的“缩小候选空间”是基于论文能力边界的应用解读，不是论文证明的临床或研发收益。

使用时先问四个问题

• 目标是否接近论文评测过的分子类别与尺度？
• 关键界面的 ipTM、原子 pLDDT 和 PAE 是否支持这次解读？
• 输出是否存在手性错误、原子碰撞或低置信度的规整结构？
• 结论是否依赖动态、多构象或真实结合亲和力？如果是，仍需实验或专门模拟。

研究细节与核验线索

• 训练与防幻觉： 作者用 AlphaFold-Multimer 2.3 的预测做交叉蒸馏，让无序区更像伸展的链，降低虚假规整结构。来源：Network architecture and training，第 163–164 行
• 置信度： 模型输出 pLDDT、PAE 和 PDE；论文在近期 PDB 评估集上显示这些分数总体跟随准确度，但分析只看排名第一的预测。来源：Predicted confidences track accuracy
• 数据边界： PoseBusters 比较使用 2019-09-30 的训练截止版本以避免见过测试结构；其他评估的筛选与同源性规则并不完全相同。来源：Accuracy across complex types；Methods
• 仍待回答： 对训练分布之外的新化学空间，置信度何时会失准？怎样用较少采样覆盖真实多构象？物理约束怎样在不损害统一性的前提下消除手性和碰撞错误？论文没有给出完整答案。