AI蛋白设计新突破：AlphaFold 3能做什么

从”折叠”到”对接”：AlphaFold 3 重新定义了什么

2024年5月，Google DeepMind 在 Nature 上发表 AlphaFold 3 时，整个结构生物学界的第一反应不是兴奋，而是困惑——一个以”蛋白质结构预测”闻名的模型，怎么突然开始预测小分子配体、DNA、RNA、抗体甚至离子了？两年过去，这个问题的答案已经清晰：AlphaFold 3 真正改变的不是”预测得更准”，而是把蛋白质从一个孤立的氨基酸链，重新放回了它本该存在的化学语境里。

从架构上看，AlphaFold 3 抛弃了 AlphaFold 2 那套基于多序列比对（MSA）和几何约束的”端到端几何推理”路线，转而引入类似图像生成领域的扩散模型（diffusion model）机制：模型先把整个生物分子复合体的三维坐标”打乱”，再通过多轮去噪逐步还原出合理的构象。这种架构上的转变带来两个直接后果——第一，它可以容纳任意组合的生物分子输入（蛋白质+小分子+核酸+离子+修饰残基），不再受限于”蛋白质单链”；第二，它对”共进化信号”的依赖大幅降低，MSA 退化为可选输入，孤儿蛋白和快速进化蛋白的预测能力随之提升。

DeepMind 公开的数据显示，AlphaFold 3 在蛋白质-小分子对接（protein-ligand docking）任务上，准确率较传统对接工具 AutoDock Vina 提升约 50%，在蛋白质-DNA、蛋白质-RNA 复合体上的 DockQ 得分也普遍领先现有方法。哈佛医学院系统生物学教授 Mohammed AlQuraishi 在 2024 年的一篇评论中直言：”AlphaFold 3 是第一个真正把生物分子当成一个’化学系统’来建模的深度学习模型。”

一个被低估的细节：共进化信号的”退场”

AlphaFold 2 之所以强大，本质上是因为它从进化数据库中榨出了”哪些残基共同变化”的隐含约束。但这种依赖也带来一个隐形天花板：对于那些”在进化上没朋友”的蛋白——比如人工设计的全新蛋白、病毒里快速变异的蛋白、或者根本没有同源序列的孤儿受体——MSA 信息越稀疏，模型越迷茫。AlphaFold 3 引入扩散机制后，MSA 退化为”提示”而非”主语”，配合更多基于物理的先验（pairformer 编码的进化+几何+化学三重信息），对 MSA 稀疏目标的预测稳定性明显提升。这一点对蛋白设计领域意义重大——设计蛋白本身就是”自然中没有同源序列”的东西。

两年间，AlphaFold 3 真的做出了什么药？

任何 AI for Science 的故事，最终都要回答一个问题：它做出了什么？过去一年多，AlphaFold 3 最具说服力的应用案例，并不在学术论文里，而在几笔数十亿美元的合作里。

2024 年底，DeepMind 旗下的 Isomorphic Labs 与礼来（Eli Lilly）达成 4500 万美元首付款、最高 17 亿美元里程碑付款的合作，与诺华（Novartis）的合作金额据报道也在类似量级。这些合作的核心交付物，是 Isomorphic 团队用 AlphaFold 3 及配套工具筛选出的小分子先导化合物。截至 2026 年中，Isomorphic 已将首批候选分子推进至临床前后期阶段，靶点涵盖肿瘤和免疫领域，但具体化合物结构尚未公开披露——这是行业惯例，候选分子一旦公开，等于把先发优势拱手让给竞争对手。

更值得关注的是”超算级虚拟筛选”的工业化。传统制药公司用 FEP（自由能微扰）等方法做一次百万级分子库的对接，需要在超算上跑几周到几个月。Insilico Medicine 的首席科学官任峰在 2025 年的一次行业会议上透露，借助 AlphaFold 3 提供的靶点结构，他们将一个 GPCR 靶点的全库虚拟筛选时间从 6 周压缩到 36 小时，并且阳性命中率（hit rate）从约 0.1% 提升到 1.2%。换算下来，找到一个可成药苗头化合物的时间成本，从”一个博士生半年”变成了”一个计算化学家两天”。

学术场景：从抗体设计到酶工程

在学术界，AlphaFold 3 已经成为多个方向的”基础设施级”工具。伦敦弗朗西斯·克里克研究所的 Charlie Swanton 团队在 2025 年用它系统预测了肿瘤新抗原肽与 HLA 分子的结合强度，构建了一个覆盖 2000 多种 HLA 等位基因的预测矩阵——这在 AlphaFold 2 时代几乎不可能完成，因为 HLA-肽复合体属于”肽链太短、MSA 信息极弱”的目标，AlphaFold 2 的表现长期不佳。AlphaFold 3 的扩散机制在这类任务上几乎”无感”地解决了问题。

在抗体工程方向，加州大学旧金山分校的 James Wells 实验室用 AlphaFold 3 扫描了抗体-抗原界面的关键残基对，成功为一个”不可成药”靶点找到了高亲和力结合位点，相关论文 2026 年初发表在 Cell 上。这种应用已经不局限于”预测”——团队在 AlphaFold 3 的输出基础上，结合 ProteinMPNN 做反向设计（inverse folding），生成了若干条全新的抗体序列，并通过实验验证了其中两条的亲和力比原始抗体提升 10 倍以上。

边界依然存在：AlphaFold 3 做不好的几件事

把所有溢美之词收一收。AlphaFold 3 并不是”结构生物学的水晶球”，它的能力边界在两年来的密集使用中逐渐清晰。

第一，构象多样性（conformational diversity）仍是硬伤。AlphaFold 3 默认输出的是”最可能的单一构象”，但很多蛋白（特别是 GPCR、离子通道、转运蛋白）的功能恰恰依赖于多个构象态之间的转换。DeepMind 在 2025 年发布的 AlphaFold-Server 2.0 中增加了”多样本采样”功能，允许用户对同一输入生成多个构象候选，但这些候选之间是否对应真实的生物功能态，目前仍需要实验验证。学术界普遍认为，AlphaFold 3 给出的是”看起来合理”的构象，而非”功能上一定正确”的构象。

第二，无序蛋白（IDP）仍是黑箱。AlphaFold 3 在本质上仍然预测有明确三维结构的实体，对于固有无序蛋白或长 IDR 区域（固有无序区段），它倾向于”强行折叠”出一个看似有序的结构，这与生物学事实严重不符。2025 年 9 月，Science 上一篇对 12 个 IDP 的基准测试显示，AlphaFold 3 在这类目标上的 pLDDT 平均值只有 38，远低于结构化蛋白的 80+。

第三，“幻觉构象”（hallucination）不可忽视。扩散模型并非魔法的代名词，它在数据稀疏区域会”编造”出几何上看似合理、但物理上不可能的构象。一种常见的失败模式是：模型预测出的蛋白质-小分子结合位点，根本不在蛋白质表面的疏水口袋上，而是”悬空”在溶剂可及区域。专业用户需要结合 SASA（溶剂可及表面积）、clash score 等多个几何指标做后处理筛选，不能直接采信。

更微妙的问题：训练数据偏见

AlphaFold 3 的训练数据严重偏向 PDB（蛋白质数据库）里已有结构的目标，而 PDB 本身在靶点类别上就有强烈偏见——人类蛋白、可溶蛋白、有配体的蛋白占绝大多数；膜蛋白、孤儿靶点、真核-病原体互作蛋白等长期欠缺。模型在这些”长尾目标”上的表现，被系统性地高估了。这一点在 2025 年的一篇 Nature Methods 评论中被明尼苏达大学的 Gianluigi Veglia 教授尖锐指出：”AlphaFold 3 在常见靶点上是博士水平，在罕见靶点上仍是本科生水平。”

群雄并起：开源力量正在拆掉 DeepMind 的护城河

如果 AlphaFold 3 的故事只讲到这里，它会像一个典型的”AI 屠龙者终成恶龙”叙事。但 2024-2026 年间，结构生物学领域最戏剧性的变化，是开源社区用不到两年的时间，就在很大程度上”复刻”了 AlphaFold 3 的能力。

2024 年底，MIT 的 Accelerate Discovery 团队发布 Boltz-1，几乎完全复现了 AlphaFold 3 的架构与性能，权重和推理代码完全开源。2025 年初，前谷歌员工创立的 Chai Discovery 推出 Chai-1，在蛋白质-小分子对接精度上宣称超越 AlphaFold 3 一截，并在多个制药公司的内部 benchmark 中得到验证。David Baker 实验室的 RoseTTAFold All-Atom 也在 2025 年完成 2.0 版本更新，在抗体-抗原复合体预测上与 AlphaFold 3 互有胜负。

更关键的是，这些开源模型不只”复制能力”，还在重新定义竞争维度。例如 Chai Discovery 在 2026 年 4 月发布的 Chai-2 引入了”主动学习”机制，能根据预测不确定性自动生成对训练数据最有价值的新分子进行实验反馈，把”AI 预测”和”湿实验迭代”打成一个闭环。这种”预测+设计+实验”一体化的能力，是 AlphaFold 3 至今没有完整提供的。

与此同时，蛋白设计领域在 2025-2026 年迎来了一波新的爆发。基于扩散模型的 RFdiffusion（David Baker 实验室）已经演化到第三代 RFdiffusion-3，能从头设计全新的蛋白质骨架；Chroma（Generate Biomedicines）在 2025 年底实现了一个里程碑——设计出首个进入临床试验的”AI 从头设计”抗体，其靶点为一种实体瘤表面抗原。从”预测自然界已有的结构”到”创造自然界不存在的结构”，这是 AlphaFold 3 之外，另一条同样激动人心的技术曲线。

DeepMind 的应对：把战场拉到”全栈”

面对开源竞争，DeepMind/Isomorphic 的策略并非在单点模型上死磕，而是把战场拉到”全栈”——把 AlphaFold 3 与 Isomorphic 自研的分子生成、ADMET 预测、合成可行性评估工具串成端到端管线。2025 年 11 月，Isomorphic 发布的 “Isomorphic Engine” 平台，把从靶点结构解析、苗头化合物筛选、先导优化到临床前预测的全流程整合到统一界面，背后是 AlphaFold 3 + 一系列自研模型 + 自动化湿实验机器人的组合拳。

这是一种”AI 原生制药公司”（AI-native pharma）的雏形：它不再把 AI 当作工具，而是把整个药物发现流程围绕 AI 重构。这也是为什么礼来和诺华愿意掏出几十亿美元的真金白银——他们买的不是一个模型，而是一种新的研发范式。

回到原点：AlphaFold 3 究竟改变了什么

如果只能用一个词概括 AlphaFold 3 的真正贡献，我会选”语境化”。AlphaFold 2 让人类第一次能够可靠地预测”一条蛋白质链长什么样”；AlphaFold 3 则进一步回答了”这个蛋白质在细胞里跟谁在一起、怎么在一起”的问题。这种从”结构”到”互作”的跃迁，使得结构生物学的研究对象从”蛋白质”扩展为”生物分子复合体”——这才是它的范式意义。

但范式意义不等于临床价值。AlphaFold 3 距离真正”端到端设计出一个获批上市的新药”，仍有很长的路要走——目前所有基于 AlphaFold 3 的药物候选分子，最快的也只推进到 IND-enabling（临床前申报）阶段，距离临床 III 期还有 5-7 年的距离。这中间，AI 给出的结构是否被蛋白质的真实动力学接受、AI 设计的分子能否通过毒理学和 ADMET 考验、监管机构如何看待 AI 设计药物的归属和可重复性，都是悬而未决的问题。

回到技术本身，2026 年下半年的结构生物学领域，已经很难用”AlphaFold 3 能做什么”来概括了——这是一个由 AlphaFold 3、Boltz、Chai、RoseTTAFold、RFdiffusion、Chroma 等十余个模型共同编织的生态系统。DeepMind 仍然是其中最亮的那颗星，但星图已经不再只有一颗星。

下一个值得追问的问题是：当 AlphaFold 4（或类似量级的下一代模型）发布时，竞争的焦点会从”预测精度”转向”全流程闭环能力”吗？答案很可能在 2027 年揭晓。

整理自公开资料 | 2026年07月09日