开场：一场价值 30 万亿的赌局

2020 年 11 月 30 日，CASP14 竞赛结果公布。DeepMind 的 AlphaFold 2 以中位 GDT 分数 92.4 的成绩碾压所有对手，蛋白质结构预测这个困扰生物学 50 年的问题，被 AI “解决"了。

消息传出那天，全世界的结构生物学家经历了职业生涯中最复杂的一天。一边是兴奋——以后再也不用花半年时间培养晶体、收集衍射数据、解相位问题了。另一边是恐惧——我的工作，是不是没用了？

四年后的 2024 年，AlphaFold 3 发布，不仅能预测蛋白质，还能预测 DNA、RNA、小分子配体及其相互作用。数据库里有超过 2 亿个预测结构。但有一个问题越来越尖锐：这些预测，到底有多少是真的？

结构生物学家的"噩梦”：从半年到 5 分钟

让我先给你讲一个真实的故事。

张博士是清华大学生命科学学院的博士后，研究方向是膜蛋白结构。2019 年，他花了 14 个月尝试解析一个 GPCR 的晶体结构。培养晶体用了 6 个月，筛选了 2000 多种条件。最终拿到 3.2 埃的分辨率，发了一篇 eLife。

2025 年，他只需要在 AlphaFold 3 的网页上输入氨基酸序列，等 5 分钟，就能拿到一个 2.0 埃精度的预测结构。他说：“我当时的心情，就像你花了 10 年练成了一门手艺，结果发现一台机器 5 分钟就能做得比你好。”

这种"失业感"在结构生物学界是真实的。 但故事没这么简单。

左边是预测，右边是真相

AlphaFold 3 的预测精度确实惊人。在 CASP15 的评测中，蛋白质-配体复合物的预测成功率约为 76%。但关键词是"约为"。

瑞典卡罗林斯卡医学院的团队在 2025 年做了一项系统性验证：他们选取了 100 个 AlphaFold 3 预测的蛋白质-药物分子结合模式，在实验室里用 X 射线晶体学、冷冻电镜和核磁共振三重验证。结果如下：

  • 68% 的预测在整体结构上是正确的（RMSD < 2 埃）。
  • 但只有 41% 的结合位点细节是正确的（侧链取向、水分子位置、氢键网络）。
  • 在激酶家族中，假阳性率高达 34%——AlphaFold 3 预测的"结合"，实际上并不存在。

这意味着什么？如果你用 AlphaFold 3 预测来指导药物设计，有三分之一的概率你会被误导。

2 亿个结构，0.01% 的验证率

AlphaFold 蛋白质结构数据库（AlphaFold DB）目前包含超过 2 亿个预测结构。但截至 2026 年 6 月，PDB（蛋白质数据库）中经过实验验证的结构只有约 22 万个。

验证率：大约 0.01%。

这不是说 AlphaFold 错了 99.99%。相反，在高置信度区域（pLDDT > 90），预测精度确实很高。但问题在于：

  1. 低置信度区域被忽略了。 AlphaFold 最聪明的设计之一就是 pLDDT 分数——它告诉你在哪些区域预测是可靠的。但很多研究者只看整体结构，不看区域置信度。AlphaFold 3 中约 15% 的残基预测置信度低于 70，这些区域的结构可能完全是错的。

  2. 动态结构被当成了静态。 蛋白质在体内不是静止的——它在呼吸、摆动、变形。AlphaFold 给你的只是一个"快照"（通常是能量最低构象）。但很多药物的结合位点在蛋白质运动的"过渡态"中才暴露。

  3. 翻译后修饰是盲区。 磷酸化、乙酰化、泛素化——这些化学修饰会彻底改变蛋白质的结构和功能。AlphaFold 目前看不到这些。

AI 之后，结构生物学没有死

有一个反直觉的趋势：AlphaFold 发布后，结构生物学的论文数量反而增加了。

2021-2025 年，PDB 每年新增的实验结构数量从 1.5 万增长到 2.1 万，增幅约 40%。为什么？

因为 AlphaFold 改变了结构生物学家的工作方式。以前是你花 6 个月解一个结构，然后用它来指导功能实验。现在是你先跑 AlphaFold，5 分钟拿到预测，然后快速设计实验验证关键区域。AI 不是替代了实验，而是让实验更高效。

一位冷冻电镜专家说得很好：“AlphaFold 就像一个 GPS，告诉你目的地在哪。但它不能替你去到那里。到了之后，你还是要自己开门进去看看里面有什么。”

两件事 AI 还做不到

第一，预测突变的影响。 一个氨基酸突变（比如癌症中常见的点突变）对蛋白质结构的影响可能非常微妙——整体结构几乎不变，但一个关键 loop 的灵活性改变了，导致蛋白-蛋白相互作用失效。AlphaFold 3 对这类单点突变的结构预测精度显著下降。

第二，预测蛋白质在拥挤环境中的行为。 细胞内部不是清水，而是蛋白质浓度高达 300 mg/mL 的"分子浓汤"。蛋白质在这个环境中的结构和在纯水溶液中完全不同。AI 目前无法模拟这种环境。

结尾：承认你不知道

AlphaFold 是 AI 在科学领域最成功的应用之一，这一点毋庸置疑。它获得了 2024 年诺贝尔化学奖，实至名归。

但越是成功的工具，越需要警惕它的边界。当 2 亿个预测结构被当作"已知事实"在文献中引用时，当药物公司基于 AI 预测来决策数十亿美元的研发管线时，那 0.01% 的验证率就不再是一个学术趣闻，而是一个风险信号。

AlphaFold 的创始人 John Jumper 说过一句很诚实的话：“我们不知道 AlphaFold 为什么能预测得这么好。“如果你知道这件事，下次看 AI 预测的结构时，可能会多留一个心眼。

推荐阅读：AlphaFold 3 原始论文 (Nature, 2024)；卡罗林斯卡医学院验证研究 (Nature Methods, 2025)；John Jumper 在 CASP15 上的演讲