你有沒有在實驗室里，待到凌晨兩點？

酶切、純化、上機、調參數，最后盯著一條模模糊糊的條帶，心里重復一句話：這要是跑不出結果，我這一年就白干了。

在地球的另一端，兩名土耳其本科生也在盯著屏幕。

但他們等的，不是儀器結果，而是一個叫AlphaFold的AI模型跑出來的結構圖。

后來，他們把這些結構整理成了15篇研究。

沒有頂尖大牛站臺，沒有豪華設備清單，「核心裝備」就是一個免費網頁。

這不僅是一場效率革命，更像是新時代科研工作者的「超級工具使用手冊」。

50年難題，被AI按下快進鍵

蛋白質到底長什么樣？這個問題困了人類足足半個世紀。

可以把蛋白質想成細胞里的「微型復雜機器」，是生命最精密的齒輪。

它們只是由一串氨基酸排成的「線」，卻要在細胞里自己折疊成精確的3D結構。

一點點折錯，就有可能失去功能，甚至變成毒性沉淀，引發疾病。

圖片

p53的AlphaFold模型結構示意圖。它是AlphaFold蛋白質數據庫中最受歡迎的蛋白質之一。

過去，想看清一個蛋白的3D結構，往往要花上一年甚至更久，砸進去數百萬的實驗成本，排隊上X射線晶體儀或冷凍電鏡。

科研的時間線就卡在這一步，卡了幾十年。

直到2020年，AlphaFold 2在CASP14競賽里亮相——只憑氨基酸序列，就能算出蛋白的空間結構，很多預測結果和實驗圖像幾乎一模一樣。

結構生物學家第一次意識到：原來那道堵了50年的關口，可以被AI在幾分鐘內算出來。

從那天開始，實驗不再是唯一的入口。

一個免費網頁，帶兩名本科生闖進「黑箱」

決定改變賽局的，是DeepMind做的第二個動作：他們把AlphaFold2的代碼和預測結構，直接免費丟在網上。

現在的AlphaFold蛋白質數據庫里，已經有超過2億條結構預測。

圖片

這個量級，用傳統實驗做，要幾百萬年才能慢慢累出一遍。

更關鍵的是：誰都能用。

Nature的統計顯示，AlphaFold數據庫已經被全球約330萬人使用，用戶遍布190多個國家，其中超過100萬來自中低收入地區。

圖片

結構生物學，這個曾經極度依賴昂貴設備和少數大牛的學科，第一次有了真正意義上的「全球用戶」。

對那兩名土耳其本科生來說，這意味著：不需要進頂級實驗室，也能直接把手伸進蛋白世界的「原子級細節」里。

他們做的事，很簡單也很冒險。

把那些傳統方法最難搞的膜蛋白，一個個丟進AlphaFold，看看到底能不能看清。

其中一個研究對象，是EAAT1——一個在腦細胞膜上轉運神經遞質的蛋白。

它像一艘潛艇，橫在脂雙層里，在傳統實驗里幾乎難以捉摸，結構很難做清楚。

圖片

EAAT1的AlphaFold模型或類似膜蛋白結構示意圖

借助AlphaFold給出的結構，這兩名學生直接在3D模型上拆機重組。

他們參考膜蛋白重設計里的QTY方法，把難溶的疏水氨基酸換成更容易溶解的版本，讓這艘「潛艇」在實驗中更聽話。

放在過去，這是一項只有頂尖分子生物學實驗室才能啃的項目，要耗掉幾年的試錯。

現在，它更接近一次高效的計算與分析任務。

而他們并不孤單。在維也納，Pauli團隊被一個問題困了很多年：

斑馬魚卵子表面的蛋白Bouncer，到底是怎么「認出」精子的？

Nature報道了他們和AlphaFold的那次相遇。

模型預測出一個之前幾乎沒人注意的蛋白Tmem81，它像個夾持器一樣，穩定住兩種精子蛋白，為Bouncer留出一個精準的結合口袋。

Bouncer-Tmem81復合體的示意圖

后續實驗一步步驗證了這個結合方式，「精子如何找到卵子」這個聽上去有點浪漫的問題，被拆成了一個清晰的結構故事。

Pauli后來接受采訪時說了一句很直白的話：

我們現在幾乎所有項目都會用AlphaFold，它讓我們看到過去看不到的東西。

從摘果子到找種子：科研賽道真的變了

當結構預測變成隨手可查，研究者的選題開始發生偏移。

AlphaFold幫助科學家第一次拆清了apoB100這個巨大而復雜的蛋白結構。

它在動脈粥樣硬化里扮演關鍵角色，長期被形容成「像一個纏在一起的蛋白籠子」。

apoB100結構示意圖

類似的，還有p53這樣的腫瘤相關蛋白，這些靶點的結構，對藥物設計和疾病機理研究都至關重要。

真正有趣的變化，出現在數據背后。

Nature匯總了大量科研記錄后發現：使用AlphaFold的研究者，提交的新型蛋白質結構，比對照組高出了大約40%。

如果只看存進Protein Data Bank的實驗結構，這個差距更明顯：

圖片

使用AlphaFold的團隊，提交的結構數量，足足比不用的人多出約50%，也明顯領先于其他「前沿方法」的研究者。

這意味著，AI不只是讓科研做得更快，而是讓更多人有能力去啃那些最難、最復雜、最沒把握的結構。

Nature把這個趨勢形容成一個富有詩意的句子：

結構生物學，正在從「驗證區」，走向「探索區」。

更反常的是，AlphaFold自己那篇2021年的論文，引用曲線至今沒有下降。

一般來說，生命科學領域的高被引論文，發表后一兩年就會進入平臺期甚至下滑。

但AlphaFold2那篇Nature，引用量一直在上升，滾動平均已經沖到800次以上。

圖片

這不是一次性的「話題熱度」，而是工具正在不斷被新的項目復用。

統計顯示，與AlphaFold2相關的研究，被臨床論文引用的概率，大約是普通結構生物學工作的兩倍；被專利引用的概率，也顯著更高。

對很多做藥物、做轉化的人來說，AlphaFold作用已經不只是「看個結構圖」，而是一件實實在在的生產力工具。

AlphaFold 3：畫出整張生命交互圖

如果說AlphaFold2解決的是「蛋白質折疊長什么樣」的問題，那么AlphaFold3想解決的，是「這些分子如何彼此糾纏在一起」。

Nature的評價很直接：

這是一場從「結構預測」邁向「生命體系建模」的關鍵轉折。

在AlphaFold3里，同一個模型可以同時看見蛋白質、DNA、RNA和小分子配體之間的相互作用。

科研人員可以看到一個候選藥物是如何以3D方式卡進靶蛋白口袋里，病毒的刺突蛋白如何被糖鏈包裹，又如何被抗體識別。

AlphaFold 3對普通感冒病毒刺突蛋白（藍色）與抗體（青綠色）和單糖（黃色）相互作用的結構預測與真實結構（灰色）高度吻合

這種原子級別的「全景視圖」，正在被直接塞進藥物設計流程。

DeepMind團隊參與創立的Isomorphic Labs，正在用AlphaFold3 做AI藥物發現，把這些預測轉化為真實世界的候選藥物。

圖片

更輕一些的應用，則出現在我們不會注意的角落里。

有人用AlphaFold解析蜜蜂體內的關鍵免疫蛋白Vitellogenin，指導AI輔助育種，培育更抗病的蜂群；

圖片

有人用它加速植物感知環境變化相關蛋白的研究，把原來要做上幾年的假設驗證，壓縮到幾周內初篩完畢。

從實驗室到農田，從顯微鏡到養蜂場，AlphaFold這個「結構引擎」，正在一塊塊吞掉過去那些耗時耗力的環節。

回到最開始的畫面：

一個是實驗室里反復試錯、指望實驗「跑出來」的研究生；

一個是點開瀏覽器、把難啃的蛋白結構丟進AlphaFold的本科生。

同樣是用盡全力，有的人已經在用AI把自己的時間放到最有價值的一環，有的人還在守著舊流程，希望靠熬夜換來一次突破。

AlphaFold的成功，其實給出了一個很清楚的信號——科學不再只獎賞那些「設備最多」「熬得最久」的人，而是在悄悄偏向那些最會調動工具、最敢提問的人。

對普通科研人來說，這既是壓力，也是一個難得的窗口。

也許你現在沒有條件去建一臺冷凍電鏡，也進不了DeepMind那樣的實驗室。

但你可以打開AlphaFold數據庫，敲上自己最熟悉的那個蛋白名字，看一眼這個時代已經免費給出的「原子級藍圖」。

你會發現，有些墻真的開始松動了。

只不過，這次決定你站在墻哪一側的，不是出身，也不是運氣，而是你愿不愿意把手伸進去，按下那個「Run」的按鈕。

參考資料：https://deepmind.google/blog/alphafold-five-years-of-impact/https://www.nature.com/articles/d41586-025-03886-9