AlphaFold誕生五年來，世界發生了哪些變化？

五年前，AlphaFold 2 攻克了蛋白質結構預測這一困擾生物學半個世紀的大問題。它不僅打開了一條全新的研究路徑，也第一次讓科學界意識到：人工智能不只是輔助工具，它能夠獨立推動科學突破。

在隨后五年中，AlphaFold 2 及其后續模型迅速成為全球實驗室的基礎設施——與顯微鏡、移液器并列的標準工具。它改變了生命科學的訓練方式，結構生物學的研究模式，以及科學界提出問題的方式。

“這個影響遠遠超出了我們的預期。” 谷歌 DeepMind 高級科學家 John Jumper 表示。2024 年，他與谷歌 DeepMind 聯合創始人兼 CEO Demis Hassabis 因創建 AlphaFold 2 的工作，共同獲得諾貝爾化學獎。

如今，學習如何使用 AlphaFold 做蛋白結構預測，已經成為世界各地眾多生物學研究生的標配技能。“這已經是分子生物學訓練的一部分了。”Jumper 表示。

盡管成績斐然，Jumper 對 AlphaFold仍保持著科學家的謹慎：“這不意味著里面的每個預測都是確定無疑的。它是一個預測數據庫，也攜帶著預測本身的全部局限。”

圖 | Demis Hassabis 和 John Jumper（來源：Fortune）

從 18 萬到 2.4 億個蛋白結構

在 AlphaFold 2 出現之前，科學家要想相對有把握地了解某個蛋白的結構，只能依賴幾種昂貴且耗時的實驗手段。因此，在 AlphaFold 2 問世之前，科學界總共只解析了約18 萬個蛋白結構。而其他基于計算的方法預測準確率僅約 50%，對生物化學家幫助有限，尤其研究者事先根本無法判斷某次預測是否可信。

得益于 AlphaFold 2，如今已有超過2.4 億個蛋白具備結構預測。這其中包括人體產生的所有蛋白，以及許多涉及重大疾病的蛋白，如新冠、瘧疾和查加斯病。

谷歌 DeepMind 將 AlphaFold 2 免費開放，讓研究者可以下載并在自己的電腦上運行。為了進一步提升可及性，他們還搭建了一個在線服務器，研究人員只需上傳蛋白的 DNA 序列即可獲得結構預測。此外，DeepMind 還為幾乎所有已知蛋白生成了結構預測，并將其全部存入由歐洲分子生物學實驗室歐洲生物信息學研究所（EMBL–EBI）維護的數據庫。

截至目前，AlphaFold 的用戶遍布全球，美國、亞洲和歐洲使用率最高。已有超過330 萬人使用過 AlphaFold 2，最初的 AlphaFold 工作直接被引用于4 萬多篇學術論文，其中 30% 涉及疾病研究。一項研究顯示，這款 AI 模型直接或間接參與了約20 萬篇科研論文的產生。此外，根據谷歌 DeepMind 的數據，該工具還被寫入400 多項成功授權的專利申請。

Nature

研究還發現，使用 AlphaFold 的科研人員向蛋白質數據庫 PDB 提交的結構數量，較未使用 AlphaFold 的研究者多約50%。相比其他前沿方法（AI、深度學習、傳統結構預測技術），AlphaFold 使用者的提交量也顯著更高。

與此同時，計算生物學領域也全面被 AlphaFold 重塑。在直接引用 2021 年 AlphaFold 2 論文的研究里，AI 輔助藥物發現、蛋白設計等計算密集領域占據顯著比例。

Nature

更讓 Jumper 欣慰的是，科學家們使用 AlphaFold 去破解那些原本根本不知道該從何找起的生命過程。例如，奧地利維也納分子病理學研究所的生物化學家 Andrea Pauli 利用 AlphaFold 發現了一個此前從未被識別的蛋白復合體 Tmem81，其對于精子成功使卵子受精至關重要，隨后實驗驗證了這一定論。“我的團隊每一個項目都會使用 AlphaFold 2，因為它能加速發現的速度”，Pauli 對

Nature

影響現實世界：從心臟病到培育蜜蜂

如今，在全球科學家解決棘手問題的路徑中，都能看到 AlphaFold 的影子。它的影響已經超越學術圈，開始進入現實世界的疾病、生態與農業之中。

揭示心血管疾病關鍵蛋白。動脈粥樣硬化（由“壞膽固醇”LDL 引起）是全球死亡主因。幾十年來，LDL 的核心蛋白 apoB100 的結構始終是謎。AlphaFold 2 首次揭示其復雜的“籠狀”三維結構，為開發新一代預防性心臟藥物提供了原子級藍圖。

幫助培育更健康、更強壯的蜜蜂。歐洲科學家利用 AlphaFold 揭示了蜜蜂關鍵免疫蛋白 Vitellogenin 的結構。這些新知識正在用于保護瀕危蜂群，并推動 AI 輔助的高韌性蜜蜂育種項目。

圖 | 培育更健康、更強壯的蜜蜂（來源：DeepMind）

另外，Jumper 還提到了幾類不是 AlphaFold 本來設計用途，但卻因其能力被開辟的新方向。

其一，蛋白設計。華盛頓大學的 David Baker 利用 AlphaFold 的能力加速合成蛋白設計。他們開發了 RoseTTAFold，也嘗試用 AlphaFold Multimer 來提前判斷設計是否可行。“如果 AlphaFold 自信預測出你想要的結構，你就去做；若它猶豫不決，你就不做。光是這點，就讓設計速度提升了十倍。”

其二，把 AlphaFold 當“結構搜索引擎”。兩個研究組曾試圖找出人類精子與卵子在受精時結合的關鍵蛋白。他們已知其中一個卵子蛋白，但不知道精子端的對應物。

于是他們拿已知的卵子蛋白讓 AlphaFold 逐一預測與全部 2,000 個精子表面蛋白的結合結構。AlphaFold 自信指出了某一個。隨后的實驗驗證無誤。“以前沒人會做 2,000 次結構比對來找一個答案，你現在可以做，這是 AlphaFold 真正改變科研方式的地方。”

圖 | 揭示心臟病背后的關鍵蛋白質（來源：DeepMind）

此外，AlphaFold 還在改變科研模式，大幅降低成本、縮短周期、提升研究門檻可及性。

拓寬科研參與度。土耳其本科生 Alper 和 Taner Karag?l 在疫情期間通過在線 AlphaFold 教程自學結構生物學，從零起步，如今已發表 15 篇論文。

加速科學進度。蘇黎世大學與 Sainsbury 實驗室的 Cyril Zipfel 利用 AlphaFold 結合比較基因組學研究植物如何感知環境變化，大幅縮短實驗周期，為開發高韌性作物提供支撐。

AlphaFold 催生全新產業形態

AlphaFold 的突破帶來了全新的產業形態。基于這一成果，2021 年成立的 AI 藥物研發公司 Isomorphic Labs 正在構建統一的藥物設計引擎，以期重塑藥物研發流程，并立志“終結所有疾病”。

已有一個案例顯示，科學家利用 AlphaFold 找到了兩種已獲 FDA 批準的現有藥物，并建議它們可能被再利用來治療查加斯病，這是一種每年感染達 700 萬人、導致逾 1 萬人死亡的熱帶寄生蟲病。

（來源：Isomorphic Labs ）

但 Jumper 表示，真正會在藥物開發中發揮直接作用的，可能是 AlphaFold 2 之后的模型。

例如AlphaFold 3不僅能預測蛋白結構，還能預測：蛋白與蛋白如何結合、蛋白與小分子如何結合。這對藥物設計至關重要，因為：大多數藥物是靶向蛋白的“小分子”，或者藥物本身就是蛋白質；AlphaFold Multimer可預測蛋白–蛋白互作，也廣泛用于藥物靶點研究。

Isomorphic Labs 使用 AlphaFold 3 和其他工具進行藥物設計，目前與諾華和禮來建立了合作，但尚未公開具體的候選藥物管線。值得注意的是：AlphaFold 3 僅向學術研究者免費開放、商業公司（非 Google 或 Isomorphic）不得使用。

AlphaFold 甚至走向更廣泛的科學應用。DeepMind 還開發了AlphaProteo，可以設計具有特定結合能力的新型蛋白質——這為抗體研發、癌癥治療等領域打開新路徑；AlphaMissense可以預測單點突變的致病性，有望幫助揭示遺傳疾病的根源，并為基因療法等未來治療方式鋪路。

Jumper 個人尤其關注大型語言模型在科學中的潛力。他的下一步計劃，是把 AlphaFold 的“垂直深能力”與 LLM 的“橫向理解能力”結合起來。“我們已經有能閱讀科學文獻、能進行部分科學推理的機器了；也有能在蛋白結構預測上達到超人水平的系統。現在的問題是：怎么讓它們協同？”

一些 AI 初創公司正在嘗試讓大模型根據研究者指定的蛋白功能，自動生成對應的 DNA 序列，盡管這些結果仍需實驗驗證。Jumper 對此類方法在設計“真正全新蛋白”方面的有效性持保留意見，他也知道有人為 AlphaFold 做了類似 ChatGPT 的對話界面，但他并不覺得這有真正意義。

令他興奮的是另一件事，利用大型語言模型提出新的科學假設，并設計實驗去驗證它們。DeepMind 已基于 Gemini 制作了一個原型“AI 科學家”，具備部分能力。但 Jumper 認為，這種方法仍有巨大的潛力尚待開發。正如他所說：“真正令人興奮、真正龐大的數據集，是整個人類的科學文獻。”

1.https://deepmind.google/blog/alphafold-five-years-of-impact/

2.https://www.nature.com/articles/d41586-025-03886-9

3.https://fortune.com/2025/11/28/google-deepmind-alphafold-science-ai-killer-app/

4.https://www.technologyreview.com/2025/11/24/1128322/whats-next-for-alphafold-a-conversation-with-a-google-deepmind-nobel-laureate/