蛋白质不是单独起作用的：它们不断地与其他分子相互作用。一维的分子链如何正确折叠成特定的三维形状，这被称为蛋白质折叠问题。三年前，谷歌的 AlphaFold 实现了迄今为止科学界最大的人工智能（AI）突破——蛋白质结构预测准确率超过 90%。这加速了分子研究，并引发了关于我们为什么要做科学的深层次问题。然而，这是否意味着人工智能永远改变了蛋白质科学的研究范式？
6月26日，Quanta Magazine 科学作家 Yasemin Saplakoglu 在一篇长文中详细介绍了蛋白质折叠问题的历史——从早期实验学家使用 X 射线晶体学解析蛋白质结构，到计算生物学家尝试通过算法预测结构，再到 AlphaFold 的出现及其带来的颠覆性影响。
同时，她也探讨了人工智能在蛋白质科学领域的突破性进展，特别是 AlphaFold 如何改变蛋白质结构预测，并引发关于科学未来和人工智能角色的深刻思考。
如今，人工智能正在颠覆蛋白质科学，但或许并未终结它，事实是怎样的？2020 年 12 月，数百名计算科学家聚集在他们的屏幕前，一起见证了科学新时代的到来。他们参加了一场会议，这是一场部分人已经参加了近三十年的友好比赛，在这里，他们可以聚在一起，专注于同一个问题。这个问题就是蛋白质折叠问题，说起来非常简单：他们能否从最基本的信息——蛋白质分子的一维分子编码——准确预测出蛋白质分子的三维形状？
蛋白质维持我们的细胞和身体的生存与运行。由于蛋白质的形状决定了它的功能，因此成功解决这一问题将对我们理解疾病、生产新药以及洞察生命运作方式产生深远影响。在这场每两年举行一次的会议上，科学家们测试了他们最新的蛋白质折叠工具。但似乎距离实现这一目标总是遥不可及。
就在那一周，蛋白质科学界的新秀 John Jumper 展示了一种新的人工智能工具 AlphaFold2，这款工具出自 Google DeepMind。在 Zoom 会议上，他提交的数据显示，AlphaFold2 的三维蛋白质结构预测模型准确率超过 90%，比最接近的竞争对手高出五倍。顷刻之间，蛋白质折叠问题从“不可能”变得“轻而易举”。
人工智能在这一人类思维无法解决的领域取得的成功震撼了生物学界。
然而，AlphaFold2 改变了生物学家研究蛋白质的方式。不可否认的是，AlphaFold2 改变了生物学家研究蛋白质的方式。然而，虽然 AlphaFold2 是一个强大的预测工具，但它并不是一个无所不知的机器。它非常巧妙地解决了蛋白质折叠问题的一部分，但不是以科学家的方式解决的。它并没有取代生物实验，而是强调了生物实验的必要性。
也许 AlphaFold2 最大的影响是让生物学家关注到人工智能的力量。
如今，人工智能正在颠覆蛋白质科学，但或许并未终结它，事实是怎样的？新的算法，新的生物技术公司，以及新的科学实践方式正在被启发。AlphaFold3 于 2024 年 5 月发布，通过模拟蛋白质与其他分子（如 DNA 或 RNA）结合的结构，进入了生物预测的下一个阶段。
然而，仍有大量的空白尚未被人工智能填补。这些工具无法模拟蛋白质如何随时间发生变化，也无法在蛋白质存在的环境（即细胞内）中模拟它们。在劳伦斯伯克利国家实验室开发生物分子结构建模算法的结构生物学家 Paul Adams 说：“AlphaFold 改变了一切，却也没有改变任何东西。”
这就是 Jumper 团队如何在蛋白质科学领域取得突破的故事，以及这对人工智能在生物学领域的未来意味着什么。蛋白质科学领域的人工智能巨头 Google DeepMind 和 David Baker 的蛋白质设计研究所正在改进其深度学习算法，从而预测蛋白质在与其他分子相互作用时的结构。2024 年春天，他们都发表了描述这一领域类似进展的论文。
然而，AlphaFold2 的成功基于训练数据的可用性——数十万种由耐心的实验学家精心确定的蛋白质结构。虽然 AlphaFold3 和相关算法在确定分子化合物的结构方面表现出了一定的成功，但其准确性仍然落后于前人的单蛋白质算法。这部分原因是可用的训练数据显著减少。
没有人知道，深度学习在解决蛋白质折叠问题上的成功是否会推广到其他科学领域，甚至生物学的其他领域。但有些人，比如 AlQuraishi，对此持乐观态度。“蛋白质折叠真的只是冰山一角，”他说。例如，化学家需要进行计算成本高昂的计算。使用深度学习，这些计算已经比以前快了一百万倍。人工智能显然可以推动特定类型的科学问题的解决。但是，它可能仅仅能够将科学家带到某个程度的知识前沿。