2020年12月1日，谷歌旗下的DeepMind公司宣布，其新一代AlphaFold人工智能系统在国际蛋白质结构预测竞赛（CASP）上击败了其余的参会选手，精确预测了蛋白质的三维结构，准确性可与冷冻电子显微镜（cryo-EM）、核磁共振或 X 射线晶体学等实验技术相媲美。
这一消息引发了全球媒体关注，前Genentech首席执行官Arthur D. Levinson博士盛赞这一成就是“划时代的进步”。人工智能的“进击”对生物学、对其他学科会有什么影响？有人提出：AI都能解蛋白质结构了，结构生物学家是不是该失业了？《返朴》总编、结构生物学家颜宁特邀几位同仁对这一新闻各抒己见，回答大家的疑问。
AlphaFold2显然是个大突破，这是从1969年第一篇Journal of Molecular Biology论文用比较建模方法预测蛋白质结构的51年来的真正突破。
最近四年来，有共同进化预测contact map（氨基酸接触图谱），并引入深度学习之后，原来的ITASSER/Rosetta/RaptorX等算法都有了很大进步，比原来提升了计算精度一倍以上，只不过AlphaFold2进步更多，说他们接近解决了这个问题没错。
2020年第14届国际蛋白质结构预测竞赛（CASP14）共有84个常规题目，其中有14个题目因为生物实验没给出确定结构等原因被取消或延缓，其他70个题目的单体和复合物蛋白质所含有的氨基酸个数从73到2180不等。19个国家的215个小组参加了CASP14。
最终，谷歌旗下DeepMind公司的人工智能系统AlphaFold2在2018年的Alphafold基础上迭代创新，超常发挥，一枝独秀，基本解决了“从氨基酸序列预测蛋白质结构”这个困扰人类50年的生物学第二遗传密码问题。
首先，简单说一下，什么是生物学里的“结构”。用个不太恰当的类比：变形金刚。比如擎天柱是辆车还是个机器人，这就是不同的结构了，机器人能打架大车做运输，功能也不一样。而不同的汽车人组成成分可能差不多，都有合金、玻璃、橡胶，但是形态各异，特长也不一样。生物分子的组成成分和基本单元就那么几种，但是组装起来，不同的序列不同的结构，于是功能各异、五花八门。
根据现在披露的结果，AlphaFold2已经基本达到实验解析结构的精度。前天AlphaFold2团队的报告展示了新冠病毒SARS-COV-2的预测结果，说明RNA聚合酶这么大的蛋白也能基本预测准确。理论上，这会对结构生物学有很大冲击，尤其是以后单颗粒cryo-EM的实验方法上，是否还需要把分辨率做得那么高？低分辨率的电子密度图，甚至SAXS数据结合预测结果应该就能解决问题了。