AlphaFold2

AlphaFold2 是 DeepMind 开发的蛋白质结构预测系统。蛋白质由氨基酸链构成，其生物功能与链折叠成的三维形状密切相关；仅从氨基酸序列预测这个形状，是生物学中长期存在的问题。AlphaFold2 用学习得到的计算模型处理氨基酸序列，输出预测的三维结构，而不是只依赖实验测定的结构。

CASP14 的结果

2020 年 11 月 30 日，DeepMind 表示其最新的 AlphaFold 系统在 CASP14 的所有目标上取得了 92.4 GDT 的中位数得分^[2]。GDT 是用于比较预测结构与参考结构的评分指标，得分越高表示两者越接近。DeepMind 还说，其 CASP14 预测的平均误差约为 1.6 埃^[2]。埃是分子尺度上常用的长度单位，因此这个数字描述的是预测原子位置与参考位置之间的平均偏差。DeepMind 写道，约 90 GDT 的得分被非正式地认为可与实验方法得到的结果竞争^[2]。因此，92.4 GDT 的中位数得分落在该团队所说的可与实验结果竞争的范围內。

Nature 论文

论文《Highly accurate protein structure prediction with AlphaFold》于 2021 年 7 月 15 日发表在《Nature》上^[1]。论文指出，在多数情况下，AlphaFold 预测蛋白质结构的精度可与实验结构竞争^[1]。这是核心的技术结果：对许多蛋白质而言，计算预测可以当作质量与实验结构相当的结构模型来使用。论文标题和结论都强调准确性，而准确性正是预测结构能否用于后续工作的关键属性。

获奖

2024 年 10 月 9 日，瑞典皇家科学院宣布，2024 年诺贝尔化学奖的一半授予 Demis Hassabis 和 John Jumper，理由是他们“for protein structure prediction”（因蛋白质结构预测）^[3]；另一半授予 David Baker，理由是他“for computational protein design”（因计算蛋白质设计）^[3]。这一奖项把蛋白质结构预测与计算蛋白质设计放在同一年的诺贝尔化学奖中。对 AlphaFold2 而言，这项认可标志着该系统所在的工作，把蛋白质结构预测从一个困难的计算问题推进为实用的研究工具。

为什么重要

AlphaFold2 的重要性在于 CASP14 和 Nature 论文所报告的精度与覆盖范围。所有目标上 92.4 GDT 的中位数得分、约 1.6 埃的平均误差，以及在多数情况下可与实验结构竞争的精度，都是与这套系统相关的具体结果^[1][2]。这些数字之所以重要，是因为它们让研究者可以判断一个预测结构是否足够好、能否用于特定用途。2024 年诺贝尔化学奖随后把这项工作放进公共科学语境中，在表彰计算蛋白质设计的同时也表彰了蛋白质结构预测^[3]。