AlphaFold高精度蛋白质结构预测

原文标题： Highly accurate protein structure prediction with AlphaFold
作者： John Jumper、Richard Evans、Alexander Pritzel 等｜期刊： Nature 596, 583–589 (2021)｜发表： 2021-07-15｜DOI： 10.1038/s41586-021-03819-2

核心结论

三句话带走

1. 问题：只凭氨基酸序列预测蛋白质的三维结构，长期难在搜索空间巨大，而实验测结构又常需数月到数年。
2. 变化：AlphaFold 把同源序列中的进化线索、残基两两关系和三维几何放进同一个端到端网络，并让预测反复“回炉”修正。
3. 结论：在 CASP14 的 87 个蛋白结构域上，它的主链中位误差为 0.96 Å，次优方法为 2.8 Å；但这不是“实验已被取代”，浅 MSA、依赖其他链塑形的蛋白以及具体生物状态仍可能出错。论文摘要与主文

这篇论文真正改变的，不是把某条传统流水线做得更快，而是让网络直接从序列证据走到原子坐标，同时给出逐残基可信度。最强证据来自事先不知道答案的 CASP14 盲测；最大风险则是：模型学到的是数据库里最可能出现的结构，不等于目标蛋白在任意配体、复合物、构象或细胞环境中的唯一真实状态。

问题

从序列到结构，为什么这么难

蛋白质是一串氨基酸，但功能往往取决于它折成的三维形状。论文写作时，实验界已测出约 10 万种独特蛋白质结构，相对于数十亿条已知序列仍只是很小一部分；单个结构的实验解析可能耗时数月到数年。论文摘要

困难不只是“序列很长”。相隔很远的两个残基，折叠后可能紧邻；局部选择会影响全局几何；配体、离子和其他蛋白链还会改变最终状态。传统路线大致有两类：物理模拟试图计算分子作用，但代价高且模型难以足够准确；进化路线利用同源结构和残基共变，却往往先预测距离等中间量，再靠手工流程拼出三维结构。论文指出，在没有近缘模板时，这些方法通常离实验精度仍很远。论文主文：Main 与 Related work

进化记录是一组“折叠约束”

如果两个位置在不同物种中经常协同变化，一个合理解释是：它们在三维结构里彼此影响。多序列比对（MSA）把许多同源序列按位置排齐，使这类信号可被模型读取。它不是结构答案，而是一组带噪声的约束：哪些残基可能靠近、哪些组合要相互兼容。

方法

Evoformer：让 MSA 与残基对持续对话

AlphaFold 的第一阶段叫 Evoformer。它并行维护两种表示：一张是“序列 × 残基”的 MSA 表，另一张是“残基 × 残基”的成对关系表。每个模块都让两者双向交换信息，而不是只在开头算一次共变。对残基对表示，模型围绕三元组做更新：若两个边的关系已知，它们会约束第三条边，从而鼓励整张关系网能对应同一个三维结构。论文：Evoformer

结构模块：直接生成原子坐标

第二阶段不再先画距离图再交给外部优化器，而是把每个残基暂时当成一个可移动、可旋转的局部刚体，用不变点注意力（IPA）在三维空间中更新它们，最终直接预测所有重原子的坐标与侧链角度。训练中的 FAPE 损失比较局部坐标系下的原子位置，使整体旋转或平移不会改变误差，同时强调残基间的相对几何。论文：End-to-end structure prediction

循环修正与自蒸馏

一次输出会被送回网络继续修正，这叫 recycling。消融实验表明，多种部件共同贡献精度，循环修正是重要来源之一。训练还加入自蒸馏：初始模型为 355,993 条 Uniclust30 序列生成结构，再筛选预测数据与 PDB 实验结构混合训练最终模型；最终采样比例为 75% 预测集、25% PDB 集。论文：训练方法

证据与局限

最强证据：CASP14 盲测

CASP 使用尚未公开的实验结构进行两年一次的盲测，能降低“见过答案”的风险。论文报告，在 87 个结构域 上，AlphaFold 的主链中位 r.m.s.d.95 为 0.96 Å（95% CI 0.85–1.16），次优方法为 2.8 Å（2.7–4.0）；全原子误差为 1.5 Å，次优为 3.5 Å。作为直觉参照，论文给出的碳原子宽度约 1.4 Å。Nature 论文图 1 与正文 CASP14 官方结果

近期 PDB 测试的结构发布时间晚于训练截止日，过滤后 3,144 条蛋白链的全链主链中位误差为 1.46 Å；这补充了 CASP14，但仍来自 PDB 分布，并非所有天然环境。论文图 2

不能从这篇论文推出什么

• 不是蛋白质折叠动力学模拟。 它预测一个最可能出现在 PDB 中的结构，不告诉你真实折叠路径、速度或能量景观。
• 不是任意生物状态的唯一答案。 配体、离子、膜环境、突变和复合物伙伴可能改变构象；论文的主模型面向单链，并未证明可普遍解决异源复合物。
• 可信度不是实验真值。 pLDDT 是模型对局部准确度的估计；低值提醒谨慎，高值也不能替代功能实验、结合实验或结构测定。
• 序列证据不足会掉点。 当 MSA 的中位有效深度低于约 30 条序列时，准确度明显下降；超过约 100 后增益趋小。
• 跨链塑形是明确弱点。 若一条链自身接触少、结构主要由异源链接触决定，模型会更弱。论文：MSA depth and cross-chain contacts

实际意义

把它当作高质量假设生成器

合理用法是先问“这个结构是否足以推动下一步”，而不是问“它是否等于真相”。高可信区域可帮助提出突变位点、解释结构域、为分子置换或冷冻电镜密度拟合提供初始模型；低可信环区、结构域相对排布和潜在界面则应优先接受实验或其他证据检查。论文给出的单模型推理时间在 V100 GPU 上约为：256 残基 0.6 分钟、384 残基 1.1 分钟、2,500 残基 2.1 小时；序列库检索和最终松弛另需 CPU 时间，且内存使用随残基数近似二次增长。论文：Inference regimen

一套稳妥的阅读顺序

先看逐残基 pLDDT，找出可解释的稳定核心；再看跨残基或跨结构域的相对位置是否可靠；随后检查 MSA 是否足够深、是否存在配体、膜、异源链或多构象背景；最后把模型变成可证伪的问题，例如“突变这个界面残基是否降低结合”。这是基于论文证据的实践解释，不是作者给出的通用实验协议。

研究细节与核查问题

• 训练边界：PDB 训练结构最晚发布于 2018-04-30；模型约训练 1,000 万个样本，初始阶段用 128 个 TPU v3 核约一周，再以更长裁剪微调约四天。论文：Model training
• 评估口径：r.m.s.d.95 会剔除误差最大的 5% Cα 原子，因此比普通 RMSD 更稳健，但也可能隐藏那 5% 中的真实建模错误。论文：Metrics
• 复现材料：论文提供补充方法、32 个伪代码算法和开源实现链接；正文所述 CASP14 系统与更早的 CASP13 AlphaFold 是完全不同的模型。论文补充信息与代码可用性
• 继续核查：目标是否有多个构象？可信度是否只在局部高、而结构域排布不确定？实验条件里是否有配体、离子、膜或伙伴链？结论是否依赖被 r.m.s.d.95 排除的末端与柔性区？

一句话落点： AlphaFold 把“从序列猜结构”推进到了许多情况下可直接用于科研的精度，但最可靠的姿势仍是：把预测当作带置信度的结构假设，并让实验与生物上下文决定它能走多远。