引子：一个困扰生物学50年的问题
1972年，诺贝尔化学奖得主克里斯蒂安·安芬森提出了一个著名假说：蛋白质的氨基酸序列应该完全决定了它的三维结构。 如果能从序列计算出结构，那将是生物学的革命——我们可以预测任何蛋白质的功能，设计新的药物，理解疾病的发生机制。
问题在于：即使是只有100个氨基酸的小蛋白质，它可能的三维构象也是天文数字——远远超过宇宙中的原子数量。用计算机穷举所有可能性？理论上需要的时间比宇宙的年龄还长。
这个难题被称为「蛋白质折叠问题」，是计算生物学的圣杯。
2020年，一个叫AlphaFold的AI系统解决了它。准确地说——预测精度达到了实验测定的原子级别。
这不是一次普通的进步。这是在50年的失败之后，用AI完成的一次范式级突破。
49.1 AlphaFold 1（2018）：用深度学习「重新发明」蛋白质结构预测
49.1.1 CASP竞赛：预测蛋白质结构的「世界杯」
CASP（Critical Assessment of Structure Prediction）是每两年举办的全球蛋白质结构预测竞赛。规则很简单：主办方公布一些已通过实验测定结构但未公开发表的蛋白质的氨基酸序列，参赛团队用计算的方法预测其三维结构，然后与实验结构比对评分。
往年冠军的预测精度通常在50-60 GDT（Global Distance T est，一个衡量结构预测准确度的指标，满分100。90以上通常认为达到实验精度）。
49.1.2 DeepMind的「跨界」入场
2018年，Google旗下的AI公司DeepMind决定参加CASP13。DeepMind此前以AlphaGo击败围棋世界冠军闻名，但它对蛋白质结构预测完全是「门外汉」——团队里没有结构生物学家。
他们的方法：把这个当成一个「机器学习问题」。给AI「喂」大量已知的蛋白质结构和序列对，让AI自己学习「什么样的序列对应什么样的结构」。
结果：AlphaFold 1以大幅领先的优势夺得冠军，预测精度中位数达到了约60 GDT。 虽然还没有达到「解决」问题的水平，但已经是质的飞跃——在此之前，计算机预测蛋白质结构的精度提升速度极其缓慢，每年进步零点几个GDT。AlphaFold一下子跃升了几十个百分点。
49.2 AlphaFold 2（2020）：原子级精度，50年
难题告破
49.2.1 2020年的CASP14：一场「单方面碾压」
2020年的CASP14上，AlphaFold 2的表现被称为「竞赛史上最戏剧性的时刻」：
指标 AlphaFold 2 其他团队最佳差距中位GDT 92.4 ~75 远超中位RMSD（结构偏差）0.96Å（1埃=0.1纳米）约3-4Å 接近原子分辨率90+ GDT的蛋白比例约2/3 接近0 数量级差距
92.4 GDT意味着什么？ 它表示AlphaFold预测的结构与实验测定的结构之间的差
异，在很多情况下已经小于两个不同实验测定同一蛋白结构之间的差异。换句话说——AI预测精度已经达到了实验方法的误差范围以内。
CASP的评审专家在赛后声明中说：「蛋白质结构预测问题已经被基本解决。」
49.2.2 AlphaFold 2凭什么这么强？
AlphaFold 2的核心架构突破：
注意力机制的巧用：不是简单地「看」序列，而是让模型同时关注序列中任意两个氨基酸之间的「关系」——它们可能在三维空间中靠得很近，但在一维序列上相隔很远多序列比对（MSA）的深度整合：利用进化过程中同源蛋白的序列变异信息，推断哪些氨基酸对结构稳定性至关重要回收（Recycling）机制：模型可以多轮迭代优化自己的预测，类似人类反复推敲
49.2.3 开源和扩散：从DeepMind到全球
2021年7月，DeepMind开源了AlphaFold 2的代码，并发布了AlphaFold Protein Structure Database——包含了几乎所有已知蛋白质（来自人类和20种模式生物）
的预测结构，超过2亿个蛋白质。
这意味着：以前一个博士生花3-5年才能解出一个蛋白质结构，现在任何人在网上点击一下就能看到。
49.3 AlphaFold 3（2024）：不只蛋白质，是所有
生物分子
49.3.1 从「蛋白质折叠」到「分子世界建模」
2024年5月，DeepMind发布了AlphaFold 3。这次不是「进化」，是「拓展」——它不再只预测蛋白质结构，而是将范围扩展到所有生物分子及其相互作用：
AlphaFold 3能建模的分子类型蛋白质DNA和RNA（核酸）
小分子配体（药物分子、辅因子等）
金属离子化学修饰的氨基酸残基
49.3.2 为什么这很重要？
AlphaFold 2回答了「蛋白质长什么样」。但生命活动是分子间的相互作用——蛋白质怎样结合DNA来调控基因表达？药物分子怎样插入蛋白质的活性中心？一个信号分子怎样激活受体蛋白？
AlphaFold 3可以预测这些复合体结构。它在「蛋白质-配体」相互作用的预测精度上，比传统的分子对接方法高出约50%。这意味着：
药物设计：不需要做大量的实验筛选，AI可以预测候选分子是否「嵌入」目标蛋白质的活性位点疾病机制：可以直观看到突变怎样改变蛋白质与其他分子的相互作用界面合成生物学：设计新的蛋白质机器来完成特定任务
49.4 GNoME（2023）：把AI的「眼睛」从生物转
向材料
49.4.1 发现220万种新材料
2023年11月，DeepMind发布了GNoME（Graph Networks for Materials Exploration），目标是用AI预测稳定的无机晶体材料。
材料科学面临的困境和结构生物学类似：理论上可能的材料组合是天文数字，但人类历史上只合成了约20,000种被证实的稳定无机晶体。绝大多数可能的新材料从未被尝试过。
GNoME引入了两个创新：
- 用图神经网络（GNN）表示晶体结构——原子是节点，化学键是边，模型学习什么样的「图结构」是稳定的
- 用「主动学习」迭代优化——预测→筛选最有希望的候选→计算验证→把反馈加入训练数据→再次预测经过多轮迭代，GNoME预测了220万种新的稳定无机晶体结构，其中有38万种被认为是特别稳定的候选材料。这个数量是人类迄今发现的稳定晶体数量的约45倍。
49.4.2 和医学有什么关系？
乍看之下，AI发现新材料和医学关系不大。但实际上：
新型生物材料：骨科常用的钛合金、PEEK、生物可降解材料，它们的改进依赖于新材料发现传感器材料：下一代生物传感器需要精确感测小分子浓度的新材料药物递送载体：新的纳米材料可以更精准地将药物送达靶组织抗菌材料：AI发现的新型晶体可能具有特殊的抗菌表面特性GNoME+机器人实验室的组合已经开始产出：伯克利实验室的一个研究团队利用GNoME的预测和自动化实验平台，在17天内合成了41种AI预测的新材料——而传统方法可能需要数月。
49.5 AI科学发现的其他里程碑
49.5.1 AI发现新抗生素：Halicin（2020，MIT）
2020年，MIT的研究者训练了一个AI，让它从超过6,000种已批准的药物和候选化合物库中筛选「可能抑制大肠杆菌生长但化学结构与传统抗生素不同」的分子。
AI发现了一种叫Halicin的化合物——它原本是作为糖尿病药物开发的（因效果不佳被放弃），但AI预测它具有广谱抗菌活性。实验验证后不仅确认了这一点，还发现Halicin以一种全新的机制杀灭细菌（破坏细菌细胞膜的电化学梯度），这使得细菌很难产生耐药性。
这是人类历史上第一次完全由AI从零发现一种新的抗生素（Halicin这个名字来源于《2001太空漫游》中的AI角色HAL）。
49.5.2 AI控制核聚变等离子体（2022，DeepMind）
2022年，DeepMind与瑞士等离子体中心合作，用强化学习训练了一个AI控制器，让它实时操控核聚变装置中的等离子体——这已经被比作「控制一个同时朝所有方向爆炸的龙卷风」。
AI学会了在等离子体中主动塑造和维持多种不同的磁场构型，包括一些人类操作员从未成功过的复杂构型。
这个案例的重要性不在于「马上就要有无限能源了」，而在于它证明了：AI可以在高度非线性的、难以用数学精确建模的复杂物理系统中，学会比人类更好的控制策略。
49.5.3 AlphaGeometry：AI解IMO几何题（2024）
2024年，DeepMind发布了AlphaGeometry，专门用于解决国际数学奥林匹克竞赛（IMO）中的平面几何问题。它有两大组件：
神经网络（直觉系统）：快速提出可能的辅助构造点/线符号推理引擎（逻辑系统）：用严格的几何公理推导证明人类IMO金牌得主通常在约30道题中能解出25道左右。AlphaGeometry解出了25道。这是一个「银牌水平」的成绩。
更让人兴奋的是：AlphaGeometry不仅会解题，它还能生成「人类可读」的证明过程——不是黑箱输出，而是符合几何证明语言规范的完整推导。
49.6 2024年诺贝尔化学奖：AI科学家的「加冕仪式」？
（注：本节含推测性内容，基于公开信息和发展趋势）
2024年诺贝尔化学奖的一个广为讨论的可能性是：授予AlphaFold团队或其核心贡献者。如果成真，这将是：
史上最快从技术问世到获诺奖的案例（AlphaFold 2发表于2020年，仅4年）
AI领域首次获得诺贝尔科学奖（此前AI更多是图灵奖的范畴）
计算科学的里程碑——一项用计算机做出的预测型发现，获得了实验科学领域的最高荣誉无论2024年的结果如何，AlphaFold已经改变了科学发现的规则。在此之前，诺贝尔科学奖几乎只授予实验验证的发现。AlphaFold打开了一扇门：计算预测本身可以成为一种科学发现。
49.7 AI科学家 vs 人类科学家：AI能发现规律，但无
法提出问题
49.7.1 AI的「超能力」
AI的优势 具体表现处理高维数据同时考虑20,000个基因的表达模式——人类最多同时处理3-4维AI的优势 具体表现不疲劳不偏见不会因为「这个方向过去都失败了」就放弃探索跨领域迁移 围棋的算法思想可以迁移到蛋白质折叠；图像识别的架构可以用于材料发现海量记忆 「读」完PubMed上所有论文且不会遗忘
49.7.2 AI的「短板」
AI的局限 具体表现不会提问题 AI可以「AlphaFold预测人类所有蛋白质结构」，但它不会自发地「想知道蛋白质结构是什么样子」
没有物理直觉 AI的预测缺少对物理约束的「内在感受」，偶尔会输出物理上不可能的结果没有价值判断 AI不会判断「这个发现对医学有没有意义」——它可以预测220万种新材料，但它不知道哪些材料对人类有用不能设计实验（目前）
AI可以分析数据、发现规律，但把规律变成一个可执行的实验方案，仍主要依赖人类
49.7.3 最好的搭档：AI负责「看」，人类负责「看见」
49.8 对医生的启示
启示一：AI是科学发现的「新显微镜」
伽利略发明望远镜后，人类第一次看到了木星的卫星。列文虎克发明显微镜后，人类第一次看到了微生物。AlphaFold之后，人类第一次「看到」了每一个蛋白质的三维结构。
每一次观察工具的升级，都会带来科学发现的浪潮。 AI作为观察工具，正在让医学研究者看到之前完全不可见的规律——从基因到蛋白，从结构到功能，从个体到群体。
启示二：关注「AI+实验」的闭环
AlphaFold的预测不是终点，而是起点。预测了一个蛋白结构 → 基于结构设计药物分子 → 合成分子做实验验证 → 反馈修正预测模型。这是一个加速循环。 对临床研究来说，类似思路可以应用于：AI筛选候选生物标志物 → 前瞻性队列验证 → 反馈优化筛选模型。
启示三：医生科学家在AI时代的独特价值
AI可以预测结构、筛选药物、发现规律——但它不能： - 在病房里观察病人的细微症
状：
- 和病人交谈中捕捉一个非典型线索
- 基于几十年临床经验做出一个「违背AI推
荐」的判断这些仍将是人类医生科学家的核心价值。AI是一个超级工具，但「做什么研究」「为什么做这个研究」——这永远是人类的事。
49.9 本章小结
| 年份 | 事件 | 核心突破 | 医学相关 |
|---|---|---|---|
| 度 | |||
| 2018度 | AlphaFold | 1 | 深度学习首次大幅领先传统方法 ★★★ |
| 2020决 ★★★★★ | AlphaFold | 2 | 原子级精度，50年蛋白质折叠问题基本解 |
| 2020 | AI发现Halicin | 首次AI从零发现新抗生素 | ★★★★★ |
| 2022 | AI控制核聚变等离子 | ||
| 体 | 复杂物理系统的AI控制 | ★★ | |
| 2023 | GNoME | 预测220万种新材料 | ★★★ |
| 2024 | AlphaFold | 3 | 扩展到所有生物分子相互作用 ★★★★★ |
| 2024 | 诺贝尔奖的可能 | AI科学发现的最高认可 | ★★★★★ |
49.10 延伸思考
如果你的研究领域（比如骨关节炎的发病机制）突然有一个「AlphaFold级别」的AI突破，你的研究方向会怎么变？
AlphaFold 2开源后，全球数百万研究者免费使用。你认为AI科学发现工具应该完全开源，还是应该商业保护？为什么？
如果有一天，AI在没有任何人类提示的情况下，自主提出了一个重要的科学问题并设计实验验证了它——你愿意称之为「科学发现」吗？
本章初稿，待浩哥审阅。