https://www.yiliao.com/index.php?action=history&feed=atom&title=AlphaFold
AlphaFold - 版本历史
2026-04-18T20:24:13Z
本wiki的该页面的版本历史
MediaWiki 1.35.1
https://www.yiliao.com/index.php?title=AlphaFold&diff=312451&oldid=prev
77921020：建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面
2026-01-03T03:02:43Z
<p>建立内容为“<div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面</p>
<p><b>新页面</b></p><div><div style="padding: 0 4%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff; max-width: 1200px; margin: auto;"><br />
<br />
<div style="margin-bottom: 30px; border-bottom: 1.2px solid #e2e8f0; padding-bottom: 25px;"><br />
<p style="font-size: 1.1em; margin: 10px 0; color: #334155; text-align: justify;"><br />
<strong>AlphaFold</strong> 是由 Google DeepMind 开发的人工智能系统，旨在根据氨基酸序列精准预测蛋白质的三维结构。2020 年，<strong>AlphaFold 2</strong> 在 CASP14 竞赛中取得了原子级精度的惊人成绩，被科学界公认为解决了困扰生物学 50 年的<strong>“蛋白质折叠问题”</strong>。2024 年发布的 <strong>AlphaFold 3</strong> 进一步引入了<strong>[[扩散模型]]</strong>（Diffusion Model），将预测范围扩展至蛋白质与 DNA、RNA、小分子配体及修饰离子的相互作用。这一技术彻底改变了<strong>[[结构生物学]]</strong>的研究范式，极大地加速了<strong>[[基于结构的药物设计]]</strong>（SBDD）和疾病机理研究。因其革命性贡献，核心研发者 Demis Hassabis 和 John Jumper 荣获 2024 年<strong>[[诺贝尔化学奖]]</strong>。<br />
</p><br />
</div><br />
<br />
<div class="medical-infobox mw-collapsible mw-collapsed" style="width: 100%; max-width: 320px; margin: 0 auto 35px auto; border: 1.2px solid #bae6fd; border-radius: 12px; background-color: #ffffff; box-shadow: 0 8px 20px rgba(0,0,0,0.05); overflow: hidden;"><br />
<br />
<div style="padding: 15px; color: #1e40af; background: linear-gradient(135deg, #e0f2fe 0%, #bae6fd 100%); text-align: center; cursor: pointer;"><br />
<div style="font-size: 1.2em; font-weight: bold; letter-spacing: 1.2px;">AlphaFold</div><br />
<div style="font-size: 0.7em; opacity: 0.85; margin-top: 4px; white-space: nowrap;">AI Protein Structure Prediction (点击展开)</div><br />
</div><br />
<br />
<div class="mw-collapsible-content"><br />
<div style="padding: 25px; text-align: center; background-color: #f8fafc;"><br />
<div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 12px; padding: 20px; box-shadow: 0 4px 10px rgba(0,0,0,0.04);"><br />
[[Image:AlphaFold_Structure_Prediction.png|100px|AlphaFold预测的蛋白质3D结构]]<br />
</div><br />
<div style="font-size: 0.8em; color: #64748b; margin-top: 12px; font-weight: 600;">结构生物学的“圣杯”</div><br />
</div><br />
<br />
<table style="width: 100%; border-spacing: 0; border-collapse: collapse; font-size: 0.85em;"><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0; width: 40%;">开发者</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">Google DeepMind</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">关键人物</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">Demis Hassabis, John Jumper</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">核心算法</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #1e40af;">Transformer, Evoformer, 扩散模型</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">里程碑</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #b91c1c;">CASP14 夺冠 (2020)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569; border-bottom: 1px solid #e2e8f0;">数据库</th><br />
<td style="padding: 6px 12px; border-bottom: 1px solid #e2e8f0; color: #0f172a;">AlphaFold DB (EBI 托管)</td><br />
</tr><br />
<tr><br />
<th style="text-align: left; padding: 6px 12px; background-color: #f1f5f9; color: #475569;">最高荣誉</th><br />
<td style="padding: 6px 12px; color: #1e40af;">2024 诺贝尔化学奖</td><br />
</tr><br />
</table><br />
</div><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">技术演进：从 v2 到 v3</h2><br />
<br />
<p style="margin: 15px 0; text-align: justify;"><br />
AlphaFold 的核心突破在于利用深度学习技术，从进化信息中提取空间几何约束。<br />
</p><br />
<br />
<div style="overflow-x: auto; margin: 30px auto; max-width: 100%;"><br />
<table style="width: 100%; border-collapse: collapse; border: 1.2px solid #cbd5e1; font-size: 0.9em; text-align: left;"><br />
<tr style="background-color: #f1f5f9; border-bottom: 2px solid #0f172a;"><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #0f172a; width: 20%;">版本</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #475569;">核心架构 (Architecture)</th><br />
<th style="padding: 12px; border: 1px solid #cbd5e1; color: #1e40af;">能力边界</th><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #ffffff;">AlphaFold 2<br>(2020)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>Evoformer (进化转换器)：</strong> 利用多序列比对 ([[MSA]]) 捕捉共进化信息，通过注意力机制处理氨基酸对之间的空间关系。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>单体蛋白与多聚体：</strong> 极高精度的蛋白质骨架和侧链预测，主要针对蛋白质本身。</td><br />
</tr><br />
<tr><br />
<td style="padding: 10px; border: 1px solid #cbd5e1; font-weight: 600; background-color: #f8fafc;">AlphaFold 3<br>(2024)</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>Pairformer + 扩散模型 (Diffusion)：</strong> 减少了对 MSA 的依赖，引入生成式扩散模块直接生成原子坐标云。</td><br />
<td style="padding: 8px; border: 1px solid #cbd5e1;"><strong>生物分子复合物：</strong> 能预测蛋白-DNA/RNA、蛋白-配体（药物）、抗体-抗原复合物及共价修饰。</td><br />
</tr><br />
</table><br />
</div><br />
<br />
<h2 style="background: #f1f5f9; color: #0f172a; padding: 10px 18px; border-radius: 0 6px 6px 0; font-size: 1.25em; margin-top: 40px; border-left: 6px solid #0f172a; font-weight: bold;">核心机制：Evoformer 与注意力</h2><br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #f8fafc;"><br />
<h3 style="margin-top: 0; color: #1e40af; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">多序列比对 (MSA) 的力量</h3><br />
<p style="text-align: justify; color: #334155;"><br />
<strong>原理：</strong> 结构比序列更保守。<br />
<br>AlphaFold 首先在巨大的基因数据库中搜索与目标蛋白相似的序列，构建 MSA。如果两个氨基酸在进化过程中发生<strong>共变</strong>（例如，位置 A 的突变总是伴随着位置 B 的补偿性突变），则暗示这两个氨基酸在三维空间中靠得很近。<br />
</p><br />
</div><br />
<br />
<div style="margin-bottom: 25px; border: 1px solid #e2e8f0; border-radius: 8px; padding: 20px; background-color: #ffffff;"><br />
<h3 style="margin-top: 0; color: #b91c1c; font-size: 1.1em; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;">端到端预测 (End-to-End)</h3><br />
<p style="text-align: justify; color: #334155;"><br />
不同于以往的“分步拼接”方法，AlphaFold 是端到端的。它直接从序列输入到结构输出，中间通过 <strong>Structure Module</strong> 旋转和平移每个氨基酸残基（视为刚体），通过反复迭代（Recycling）来优化最终的能量状态，直至结构收敛。其输出包含一个置信度指标 <strong>[[pLDDT]]</strong>，用于衡量预测的局部准确性。<br />
</p><br />
[[Image:AlphaFold_Architecture_Diagram.png|100px|AlphaFold网络架构简图]]<br />
</div><br />
<br />
<div style="margin: 30px 0; background-color: #ecfdf5; border: 1px solid #10b981; border-radius: 8px; padding: 20px;"><br />
<h4 style="margin-top: 0; color: #047857; font-size: 1.1em;">💊 医药研发应用</h4><br />
<ul style="margin: 10px 0; padding-left: 20px; color: #064e3b;"><br />
<li><strong>不可成药靶点 (Undruggable Targets)：</strong> 快速揭示缺乏晶体结构的潜在药物靶点的口袋特征。</li><br />
<li><strong>虚拟筛选 (Virtual Screening)：</strong> 结合 AlphaFold 3，可以直接模拟小分子药物与蛋白质口袋的结合模式，大幅降低湿实验筛选成本。</li><br />
<li><strong>抗体设计：</strong> 预测抗体与抗原的结合界面，辅助生物大分子药物的优化。</li><br />
</ul><br />
</div><br />
<br />
<div style="font-size: 0.92em; line-height: 1.6; color: #1e293b; margin-top: 50px; border-top: 2px solid #0f172a; padding: 15px 25px; background-color: #f8fafc; border-radius: 0 0 10px 10px;"><br />
<span style="color: #0f172a; font-weight: bold; font-size: 1.05em; display: inline-block; margin-bottom: 15px;">学术参考文献与权威点评</span><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[1] <strong>Jumper J, Evans R, Pritzel A, et al. (2021).</strong> <em>Highly accurate protein structure prediction with AlphaFold.</em> <strong>[[Nature]]</strong>. 2021;596(7873):583-589.<br><br />
<span style="color: #475569;">[里程碑文献]：AlphaFold 2 的主论文，详细披露了模型架构，是引用率最高的 AI 生物学论文之一。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[2] <strong>Abramson J, et al. (2024).</strong> <em>Accurate structure prediction of biomolecular interactions with AlphaFold 3.</em> <strong>[[Nature]]</strong>. 2024;630:493–500.<br><br />
<span style="color: #475569;">[最新突破]：介绍了 AlphaFold 3，展示了其在预测蛋白质与 DNA、RNA 及小分子配体复合物结构方面的超越性能力。</span><br />
</p><br />
<br />
<p style="margin: 12px 0; border-bottom: 1px solid #e2e8f0; padding-bottom: 10px;"><br />
[3] <strong>Callaway E. (2020).</strong> <em>'It will change everything': DeepMind's AI makes gigantic leap in solving protein structures.</em> <strong>[[Nature News]]</strong>. 2020;588:203-204.<br><br />
<span style="color: #475569;">[新闻评论]：报道了 CASP14 的结果，标志着蛋白质结构预测问题在某种程度上被“解决”。</span><br />
</p><br />
</div><br />
<br />
<div style="margin: 40px 0; border: 1px solid #e2e8f0; border-radius: 8px; overflow: hidden; font-family: 'Helvetica Neue', Arial, sans-serif; font-size: 0.9em;"><br />
<div style="background-color: #eff6ff; color: #1e40af; padding: 8px 15px; font-weight: bold; text-align: center; border-bottom: 1px solid #dbeafe;"><br />
AlphaFold · 知识图谱<br />
</div><br />
<table style="width: 100%; border-collapse: collapse; background-color: #ffffff;"><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">竞品/相关</td><br />
<td style="padding: 10px 15px; color: #334155;">[[RoseTTAFold]] (David Baker) • [[ESMFold]] (Meta) • [[OmegaFold]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">基础理论</td><br />
<td style="padding: 10px 15px; color: #334155;">[[安芬森法则]] • [[深度学习]] • [[共进化分析]]</td><br />
</tr><br />
<tr style="border-bottom: 1px solid #f1f5f9;"><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">验证方法</td><br />
<td style="padding: 10px 15px; color: #334155;">[[X射线晶体学]] • [[冷冻电镜]] (Cryo-EM) • [[CASP竞赛]]</td><br />
</tr><br />
<tr><br />
<td style="width: 85px; background-color: #f8fafc; color: #334155; font-weight: 600; padding: 10px 12px; text-align: right; vertical-align: middle; white-space: nowrap;">核心影响</td><br />
<td style="padding: 10px 15px; color: #334155;">将生物学带入“结构基因组学”时代 (Structural Genomics)</td><br />
</tr><br />
</table><br />
</div><br />
<br />
</div></div>
77921020