AlphaFold为何未能真正解决蛋白质折叠难题？

AI在生物领域的突破常被简化为"AlphaFold解决了蛋白质折叠"，但Google DeepMind的Pushmeet Kohli与Biohub的Sal Candido在一次深度对话中给出了截然不同的判断：蛋白质折叠问题远未被"解决"，AlphaFold只是打开了一扇门，门后还有大片未知领域。

AlphaFold到底做到了什么，又遗漏了什么

AlphaFold的核心贡献在于蛋白质结构预测：给定一个氨基酸序列，它能以极高精度推断出蛋白质的三维结构。这在过去被视为生物学领域最困难的预测问题之一，AlphaFold2的出现在CAS​​P评测中引发了轰动。

但Kohli和Candido强调，结构预测不等于折叠理解。AlphaFold给出的是一个静态的最终构象，而蛋白质折叠是一个动态过程——肽链如何在细胞内实时折叠、中间态是什么、错误折叠如何导致疾病，这些问题AlphaFold并未回答。

更关键的是，AlphaFold依赖的是已知结构数据库中的进化信息（多序列比对），它学到的是"什么样的序列对应什么样的结构"这一统计映射，而不是折叠的物理机制。Candido指出，这意味着当面对缺乏同源序列的蛋白质、或需要理解折叠动力学时，AlphaFold的能力会显著受限。

CASP评测（Critical Assessment of Structure Prediction）是蛋白质结构预测领域的国际权威盲测竞赛，每两年举办一次。参赛者需对尚未公开发布结构的蛋白质序列进行预测，随后由实验解析出的真实结构作为评判标准。CASP采用GDT-TS等指标衡量预测与真实结构的相似度。AlphaFold2在2020年的CASP14中取得了约90 GDT-TS的中位分数，远超此前约60分的水平，被普遍视为该领域的分水岭事件。这一成绩之所以引发轰动，是因为它意味着对大量单域蛋白质，计算预测的精度已接近实验方法。但CASP评测本身聚焦于静态结构的相似度，并不考察折叠路径、动力学或中间态，这也正是两位研究者强调AlphaFold"遗漏"部分的结构性原因。

多序列比对（Multiple Sequence Alignment, MSA）是AlphaFold输入的核心组成部分。其逻辑是：同源蛋白质在不同物种中经历了数亿年演化，序列上共同保守的残基往往在三维空间上彼此接近或承担关键功能。通过对大量同源序列进行比对，可以提取出残基间的共变异信号，进而推断空间接触关系。这种进化信息本质上是"统计映射"的来源——AlphaFold学到的不是物理折叠规则，而是"哪些序列模式对应哪些结构特征"的相关性。因此，当目标蛋白质缺乏足够多的同源序列（如孤儿蛋白、人工设计蛋白或某些病毒蛋白）时，MSA信息稀疏，预测精度会明显下降。这种对进化数据库的依赖，也解释了为何AlphaFold难以回答"折叠过程如何发生"这一动力学问题。

Bitter Lesson在生物学中的适用边界

对话中反复回到Rich Sutton提出的"Bitter Lesson"——依赖大规模计算和通用学习方法，终将胜过依赖人类领域知识的精巧设计。AlphaFold常被视为这一理念在生物学中的胜利。

Kohli对此持更审慎的态度。他认为，Bitter Lesson在生物领域有明确的适用边界。蛋白质不是语言，生物学数据远不如互联网文本那样充裕和廉价。获取一个蛋白质结构需要昂贵的实验（如冷冻电镜、X射线晶体学），数据生成的成本和速度构成了根本瓶颈。

Candido补充了一个实践视角：Biohub的工作涉及大量湿实验验证，AI预测必须与实验数据形成闭环。纯靠scaling无法绕过"数据从哪来"这个问题。两位研究者都认为，生物领域的AI突破更可能来自计算方法与实验方法的协同，而非单纯堆算力。

冷冻电镜（Cryo-EM）和X射线晶体学是当前解析蛋白质三维结构的两大主流实验方法。X射线晶体学需要将蛋白质结晶，再通过X射线衍射图谱反推电子密度，进而建模原子坐标，但许多蛋白质难以结晶。冷冻电镜则将样品快速冷冻成非晶态冰，用电子束成像并三维重建，近年因分辨率革命而成为主流，但仍需昂贵的设备、专业的操作和大量纯化样品。两类方法通常需要数周至数月才能解析一个结构，且并非所有蛋白质都适用。这种高成本、低通量的数据生产模式，正是Kohli和Candido所说的"根本瓶颈"——与互联网文本几乎零成本、近乎无限供给的语料形成鲜明对比，也决定了生物领域不能简单照搬大语言模型式的scaling路径。

构建真正理解生物学的AI还缺什么

被问及"AI要真正理解生物学还需要什么"时，两人给出了互补的回答。

Kohli强调多尺度建模的重要性：生物系统横跨原子、分子、细胞、组织多个尺度，而当前AI模型大多局限于单一尺度。蛋白质折叠只是其中一个尺度上的问题，要理解细胞行为、疾病机制，需要跨尺度的统一建模能力。

Candido则从数据基础设施角度指出，实验数据的标准化和规模化是当务之急。当前生物实验数据分散、格式各异、难以复用，这严重制约了AI模型的训练和验证。Biohub正在尝试建立更系统的数据生成与共享机制。

两人都提到，可解释性是AI在生物医学中落地的关键障碍。如果一个模型预测某个突变致病但无法说明理由，临床和监管层面都难以采纳。这与AlphaFold作为研究工具的定位有本质区别——研究工具可以只给答案，医疗决策不行。

多尺度建模在生物学中指的是跨越不同空间与时间尺度建立统一的计算描述：从原子尺度的化学键与构象变化（皮秒到纳秒），到分子复合物与通路（微秒到秒），再到细胞行为、组织形态乃至器官功能（分钟到年）。当前AI模型大多针对单一尺度训练——AlphaFold处理原子坐标，单细胞模型处理基因表达，影像模型处理组织形态——但疾病往往起于某一尺度、显效于另一尺度。例如一个点突变在原子层面改变蛋白稳定性，在细胞层面触发应激通路，最终在组织层面表现为退行性病变。若模型无法在尺度之间传递信息，就难以形成对生物系统的整体理解。这也是Kohli将其列为下一个前沿方向的原因。

对AI+生物领域从业者的启示

这场对话的价值在于打破了一个流行的叙事惯性：把AlphaFold的成功等同于"AI解决了生物学难题"。Kohli和Candido的立场很清楚——AlphaFold证明了深度学习方法在生物结构预测上的威力，但它既没有解决折叠的物理理解问题，也没有建立起AI对生物系统的真正理解。

对于关注AI for Science的从业者，这意味着几个实际判断：数据获取和实验闭环能力可能比模型架构更决定成败；跨尺度建模是下一个前沿方向；可解释性不是锦上添花而是落地前提。把AlphaFold当作起点而非终点，才是对这项技术更准确的定位。