五年前，AlphaFold 2 攻克了蛋白質(zhì)結(jié)構(gòu)預(yù)測這一困擾生物學半個世紀的大問題。它不僅打開了一條全新的研究路徑，也第一次讓科學界意識到：人工智能不只是輔助工具，它能夠獨立推動科學突破。

在隨后五年中，AlphaFold 2 及其后續(xù)模型迅速成為全球?qū)嶒炇业幕A(chǔ)設(shè)施——與顯微鏡、移液器并列的標準工具。它改變了生命科學的訓練方式，結(jié)構(gòu)生物學的研究模式，以及科學界提出問題的方式。

“這個影響遠遠超出了我們的預(yù)期?！?谷歌 DeepMind 高級科學家 John Jumper 表示。2024 年，他與谷歌 DeepMind 聯(lián)合創(chuàng)始人兼 CEO Demis Hassabis 因創(chuàng)建 AlphaFold 2 的工作，共同獲得諾貝爾化學獎。

如今，學習如何使用 AlphaFold 做蛋白結(jié)構(gòu)預(yù)測，已經(jīng)成為世界各地眾多生物學研究生的標配技能?！斑@已經(jīng)是分子生物學訓練的一部分了?！盝umper 表示。

盡管成績斐然，Jumper 對 AlphaFold仍保持著科學家的謹慎：“這不意味著里面的每個預(yù)測都是確定無疑的。它是一個預(yù)測數(shù)據(jù)庫，也攜帶著預(yù)測本身的全部局限。”

圖 | Demis Hassabis 和 John Jumper（來源：Fortune）

從 18 萬到 2.4 億個蛋白結(jié)構(gòu)

在 AlphaFold 2 出現(xiàn)之前，科學家要想相對有把握地了解某個蛋白的結(jié)構(gòu)，只能依賴幾種昂貴且耗時的實驗手段。因此，在 AlphaFold 2 問世之前，科學界總共只解析了約18 萬個蛋白結(jié)構(gòu)。而其他基于計算的方法預(yù)測準確率僅約 50%，對生物化學家?guī)椭邢蓿绕溲芯空呤孪雀緹o法判斷某次預(yù)測是否可信。

得益于 AlphaFold 2，如今已有超過2.4 億個蛋白具備結(jié)構(gòu)預(yù)測。這其中包括人體產(chǎn)生的所有蛋白，以及許多涉及重大疾病的蛋白，如新冠、瘧疾和查加斯病。

谷歌 DeepMind 將 AlphaFold 2 免費開放，讓研究者可以下載并在自己的電腦上運行。為了進一步提升可及性，他們還搭建了一個在線服務(wù)器，研究人員只需上傳蛋白的 DNA 序列即可獲得結(jié)構(gòu)預(yù)測。此外，DeepMind 還為幾乎所有已知蛋白生成了結(jié)構(gòu)預(yù)測，并將其全部存入由歐洲分子生物學實驗室歐洲生物信息學研究所（EMBL–EBI）維護的數(shù)據(jù)庫。

截至目前，AlphaFold 的用戶遍布全球，美國、亞洲和歐洲使用率最高。已有超過330 萬人使用過 AlphaFold 2，最初的 AlphaFold 工作直接被引用于4 萬多篇學術(shù)論文，其中 30% 涉及疾病研究。一項研究顯示，這款 AI 模型直接或間接參與了約20 萬篇科研論文的產(chǎn)生。此外，根據(jù)谷歌 DeepMind 的數(shù)據(jù)，該工具還被寫入400 多項成功授權(quán)的專利申請。

Nature

研究還發(fā)現(xiàn)，使用 AlphaFold 的科研人員向蛋白質(zhì)數(shù)據(jù)庫 PDB 提交的結(jié)構(gòu)數(shù)量，較未使用 AlphaFold 的研究者多約50%。相比其他前沿方法（AI、深度學習、傳統(tǒng)結(jié)構(gòu)預(yù)測技術(shù)），AlphaFold 使用者的提交量也顯著更高。

與此同時，計算生物學領(lǐng)域也全面被 AlphaFold 重塑。在直接引用 2021 年 AlphaFold 2 論文的研究里，AI 輔助藥物發(fā)現(xiàn)、蛋白設(shè)計等計算密集領(lǐng)域占據(jù)顯著比例。

Nature

更讓 Jumper 欣慰的是，科學家們使用 AlphaFold 去破解那些原本根本不知道該從何找起的生命過程。例如，奧地利維也納分子病理學研究所的生物化學家 Andrea Pauli 利用 AlphaFold 發(fā)現(xiàn)了一個此前從未被識別的蛋白復(fù)合體 Tmem81，其對于精子成功使卵子受精至關(guān)重要，隨后實驗驗證了這一定論。“我的團隊每一個項目都會使用 AlphaFold 2，因為它能加速發(fā)現(xiàn)的速度”，Pauli 對

Nature

影響現(xiàn)實世界：從心臟病到培育蜜蜂

如今，在全球科學家解決棘手問題的路徑中，都能看到 AlphaFold 的影子。它的影響已經(jīng)超越學術(shù)圈，開始進入現(xiàn)實世界的疾病、生態(tài)與農(nóng)業(yè)之中。

揭示心血管疾病關(guān)鍵蛋白。動脈粥樣硬化（由“壞膽固醇”LDL 引起）是全球死亡主因。幾十年來，LDL 的核心蛋白 apoB100 的結(jié)構(gòu)始終是謎。AlphaFold 2 首次揭示其復(fù)雜的“籠狀”三維結(jié)構(gòu)，為開發(fā)新一代預(yù)防性心臟藥物提供了原子級藍圖。

幫助培育更健康、更強壯的蜜蜂。歐洲科學家利用 AlphaFold 揭示了蜜蜂關(guān)鍵免疫蛋白 Vitellogenin 的結(jié)構(gòu)。這些新知識正在用于保護瀕危蜂群，并推動 AI 輔助的高韌性蜜蜂育種項目。

圖 | 培育更健康、更強壯的蜜蜂（來源：DeepMind）

另外，Jumper 還提到了幾類不是 AlphaFold 本來設(shè)計用途，但卻因其能力被開辟的新方向。

其一，蛋白設(shè)計。華盛頓大學的 David Baker 利用 AlphaFold 的能力加速合成蛋白設(shè)計。他們開發(fā)了 RoseTTAFold，也嘗試用 AlphaFold Multimer 來提前判斷設(shè)計是否可行?！叭绻?AlphaFold 自信預(yù)測出你想要的結(jié)構(gòu)，你就去做；若它猶豫不決，你就不做。光是這點，就讓設(shè)計速度提升了十倍?！?/p>

其二，把 AlphaFold 當“結(jié)構(gòu)搜索引擎”。兩個研究組曾試圖找出人類精子與卵子在受精時結(jié)合的關(guān)鍵蛋白。他們已知其中一個卵子蛋白，但不知道精子端的對應(yīng)物。

于是他們拿已知的卵子蛋白讓 AlphaFold 逐一預(yù)測與全部 2,000 個精子表面蛋白的結(jié)合結(jié)構(gòu)。AlphaFold 自信指出了某一個。隨后的實驗驗證無誤。“以前沒人會做 2,000 次結(jié)構(gòu)比對來找一個答案，你現(xiàn)在可以做，這是 AlphaFold 真正改變科研方式的地方?！?/p>

圖 | 揭示心臟病背后的關(guān)鍵蛋白質(zhì)（來源：DeepMind）

此外，AlphaFold 還在改變科研模式，大幅降低成本、縮短周期、提升研究門檻可及性。

拓寬科研參與度。土耳其本科生 Alper 和 Taner Karag?l 在疫情期間通過在線 AlphaFold 教程自學結(jié)構(gòu)生物學，從零起步，如今已發(fā)表 15 篇論文。

加速科學進度。蘇黎世大學與 Sainsbury 實驗室的 Cyril Zipfel 利用 AlphaFold 結(jié)合比較基因組學研究植物如何感知環(huán)境變化，大幅縮短實驗周期，為開發(fā)高韌性作物提供支撐。

AlphaFold 催生全新產(chǎn)業(yè)形態(tài)

AlphaFold 的突破帶來了全新的產(chǎn)業(yè)形態(tài)?；谶@一成果，2021 年成立的 AI 藥物研發(fā)公司 Isomorphic Labs 正在構(gòu)建統(tǒng)一的藥物設(shè)計引擎，以期重塑藥物研發(fā)流程，并立志“終結(jié)所有疾病”。

已有一個案例顯示，科學家利用 AlphaFold 找到了兩種已獲 FDA 批準的現(xiàn)有藥物，并建議它們可能被再利用來治療查加斯病，這是一種每年感染達 700 萬人、導(dǎo)致逾 1 萬人死亡的熱帶寄生蟲病。

（來源：Isomorphic Labs ）

但 Jumper 表示，真正會在藥物開發(fā)中發(fā)揮直接作用的，可能是 AlphaFold 2 之后的模型。

例如AlphaFold 3不僅能預(yù)測蛋白結(jié)構(gòu)，還能預(yù)測：蛋白與蛋白如何結(jié)合、蛋白與小分子如何結(jié)合。這對藥物設(shè)計至關(guān)重要，因為：大多數(shù)藥物是靶向蛋白的“小分子”，或者藥物本身就是蛋白質(zhì)；AlphaFold Multimer可預(yù)測蛋白–蛋白互作，也廣泛用于藥物靶點研究。

Isomorphic Labs 使用 AlphaFold 3 和其他工具進行藥物設(shè)計，目前與諾華和禮來建立了合作，但尚未公開具體的候選藥物管線。值得注意的是：AlphaFold 3 僅向?qū)W術(shù)研究者免費開放、商業(yè)公司（非 Google 或 Isomorphic）不得使用。

AlphaFold 甚至走向更廣泛的科學應(yīng)用。DeepMind 還開發(fā)了AlphaProteo，可以設(shè)計具有特定結(jié)合能力的新型蛋白質(zhì)——這為抗體研發(fā)、癌癥治療等領(lǐng)域打開新路徑；AlphaMissense可以預(yù)測單點突變的致病性，有望幫助揭示遺傳疾病的根源，并為基因療法等未來治療方式鋪路。

Jumper 個人尤其關(guān)注大型語言模型在科學中的潛力。他的下一步計劃，是把 AlphaFold 的“垂直深能力”與 LLM 的“橫向理解能力”結(jié)合起來。“我們已經(jīng)有能閱讀科學文獻、能進行部分科學推理的機器了；也有能在蛋白結(jié)構(gòu)預(yù)測上達到超人水平的系統(tǒng)。現(xiàn)在的問題是：怎么讓它們協(xié)同？”

一些 AI 初創(chuàng)公司正在嘗試讓大模型根據(jù)研究者指定的蛋白功能，自動生成對應(yīng)的 DNA 序列，盡管這些結(jié)果仍需實驗驗證。Jumper 對此類方法在設(shè)計“真正全新蛋白”方面的有效性持保留意見，他也知道有人為 AlphaFold 做了類似 ChatGPT 的對話界面，但他并不覺得這有真正意義。

令他興奮的是另一件事，利用大型語言模型提出新的科學假設(shè)，并設(shè)計實驗去驗證它們。DeepMind 已基于 Gemini 制作了一個原型“AI 科學家”，具備部分能力。但 Jumper 認為，這種方法仍有巨大的潛力尚待開發(fā)。正如他所說：“真正令人興奮、真正龐大的數(shù)據(jù)集，是整個人類的科學文獻?！?/strong>

1.https://deepmind.google/blog/alphafold-five-years-of-impact/

2.https://www.nature.com/articles/d41586-025-03886-9

3.https://fortune.com/2025/11/28/google-deepmind-alphafold-science-ai-killer-app/

4.https://www.technologyreview.com/2025/11/24/1128322/whats-next-for-alphafold-a-conversation-with-a-google-deepmind-nobel-laureate/