AlphaFold诞生五年来，世界发生了哪些变化？

五年前，AlphaFold 2 攻克了蛋白质结构预测这一困扰生物学半个世纪的大问题。它不仅打开了一条全新的研究路径，也第一次让科学界意识到：人工智能不只是辅助工具，它能够独立推动科学突破。

在随后五年中，AlphaFold 2 及其后续模型迅速成为全球实验室的基础设施——与显微镜、移液器并列的标准工具。它改变了生命科学的训练方式，结构生物学的研究模式，以及科学界提出问题的方式。

“这个影响远远超出了我们的预期。” 谷歌 DeepMind 高级科学家 John Jumper 表示。2024 年，他与谷歌 DeepMind 联合创始人兼 CEO Demis Hassabis 因创建 AlphaFold 2 的工作，共同获得诺贝尔化学奖。

如今，学习如何使用 AlphaFold 做蛋白结构预测，已经成为世界各地众多生物学研究生的标配技能。“这已经是分子生物学训练的一部分了。”Jumper 表示。

尽管成绩斐然，Jumper 对 AlphaFold仍保持着科学家的谨慎：“这不意味着里面的每个预测都是确定无疑的。它是一个预测数据库，也携带着预测本身的全部局限。”

图 | Demis Hassabis 和 John Jumper（来源：Fortune）

从 18 万到 2.4 亿个蛋白结构

在 AlphaFold 2 出现之前，科学家要想相对有把握地了解某个蛋白的结构，只能依赖几种昂贵且耗时的实验手段。因此，在 AlphaFold 2 问世之前，科学界总共只解析了约18 万个蛋白结构。而其他基于计算的方法预测准确率仅约 50%，对生物化学家帮助有限，尤其研究者事先根本无法判断某次预测是否可信。

得益于 AlphaFold 2，如今已有超过2.4 亿个蛋白具备结构预测。这其中包括人体产生的所有蛋白，以及许多涉及重大疾病的蛋白，如新冠、疟疾和查加斯病。

谷歌 DeepMind 将 AlphaFold 2 免费开放，让研究者可以下载并在自己的电脑上运行。为了进一步提升可及性，他们还搭建了一个在线服务器，研究人员只需上传蛋白的 DNA 序列即可获得结构预测。此外，DeepMind 还为几乎所有已知蛋白生成了结构预测，并将其全部存入由欧洲分子生物学实验室欧洲生物信息学研究所（EMBL–EBI）维护的数据库。

截至目前，AlphaFold 的用户遍布全球，美国、亚洲和欧洲使用率最高。已有超过330 万人使用过 AlphaFold 2，最初的 AlphaFold 工作直接被引用于4 万多篇学术论文，其中 30% 涉及疾病研究。一项研究显示，这款 AI 模型直接或间接参与了约20 万篇科研论文的产生。此外，根据谷歌 DeepMind 的数据，该工具还被写入400 多项成功授权的专利申请。

Nature

研究还发现，使用 AlphaFold 的科研人员向蛋白质数据库 PDB 提交的结构数量，较未使用 AlphaFold 的研究者多约50%。相比其他前沿方法（AI、深度学习、传统结构预测技术），AlphaFold 使用者的提交量也显著更高。

与此同时，计算生物学领域也全面被 AlphaFold 重塑。在直接引用 2021 年 AlphaFold 2 论文的研究里，AI 辅助药物发现、蛋白设计等计算密集领域占据显著比例。

Nature

更让 Jumper 欣慰的是，科学家们使用 AlphaFold 去破解那些原本根本不知道该从何找起的生命过程。例如，奥地利维也纳分子病理学研究所的生物化学家 Andrea Pauli 利用 AlphaFold 发现了一个此前从未被识别的蛋白复合体 Tmem81，其对于精子成功使卵子受精至关重要，随后实验验证了这一定论。“我的团队每一个项目都会使用 AlphaFold 2，因为它能加速发现的速度”，Pauli 对

Nature

影响现实世界：从心脏病到培育蜜蜂

如今，在全球科学家解决棘手问题的路径中，都能看到 AlphaFold 的影子。它的影响已经超越学术圈，开始进入现实世界的疾病、生态与农业之中。

揭示心血管疾病关键蛋白。动脉粥样硬化（由“坏胆固醇”LDL 引起）是全球死亡主因。几十年来，LDL 的核心蛋白 apoB100 的结构始终是谜。AlphaFold 2 首次揭示其复杂的“笼状”三维结构，为开发新一代预防性心脏药物提供了原子级蓝图。

帮助培育更健康、更强壮的蜜蜂。欧洲科学家利用 AlphaFold 揭示了蜜蜂关键免疫蛋白 Vitellogenin 的结构。这些新知识正在用于保护濒危蜂群，并推动 AI 辅助的高韧性蜜蜂育种项目。

图 | 培育更健康、更强壮的蜜蜂（来源：DeepMind）

另外，Jumper 还提到了几类不是 AlphaFold 本来设计用途，但却因其能力被开辟的新方向。

其一，蛋白设计。华盛顿大学的 David Baker 利用 AlphaFold 的能力加速合成蛋白设计。他们开发了 RoseTTAFold，也尝试用 AlphaFold Multimer 来提前判断设计是否可行。“如果 AlphaFold 自信预测出你想要的结构，你就去做；若它犹豫不决，你就不做。光是这点，就让设计速度提升了十倍。”

其二，把 AlphaFold 当“结构搜索引擎”。两个研究组曾试图找出人类精子与卵子在受精时结合的关键蛋白。他们已知其中一个卵子蛋白，但不知道精子端的对应物。

于是他们拿已知的卵子蛋白让 AlphaFold 逐一预测与全部 2,000 个精子表面蛋白的结合结构。AlphaFold 自信指出了某一个。随后的实验验证无误。“以前没人会做 2,000 次结构比对来找一个答案，你现在可以做，这是 AlphaFold 真正改变科研方式的地方。”

图 | 揭示心脏病背后的关键蛋白质（来源：DeepMind）

此外，AlphaFold 还在改变科研模式，大幅降低成本、缩短周期、提升研究门槛可及性。

拓宽科研参与度。土耳其本科生 Alper 和 Taner Karagöl 在疫情期间通过在线 AlphaFold 教程自学结构生物学，从零起步，如今已发表 15 篇论文。

加速科学进度。苏黎世大学与 Sainsbury 实验室的 Cyril Zipfel 利用 AlphaFold 结合比较基因组学研究植物如何感知环境变化，大幅缩短实验周期，为开发高韧性作物提供支撑。

AlphaFold 催生全新产业形态

AlphaFold 的突破带来了全新的产业形态。基于这一成果，2021 年成立的 AI 药物研发公司 Isomorphic Labs 正在构建统一的药物设计引擎，以期重塑药物研发流程，并立志“终结所有疾病”。

已有一个案例显示，科学家利用 AlphaFold 找到了两种已获 FDA 批准的现有药物，并建议它们可能被再利用来治疗查加斯病，这是一种每年感染达 700 万人、导致逾 1 万人死亡的热带寄生虫病。

（来源：Isomorphic Labs ）

但 Jumper 表示，真正会在药物开发中发挥直接作用的，可能是 AlphaFold 2 之后的模型。

例如AlphaFold 3不仅能预测蛋白结构，还能预测：蛋白与蛋白如何结合、蛋白与小分子如何结合。这对药物设计至关重要，因为：大多数药物是靶向蛋白的“小分子”，或者药物本身就是蛋白质；AlphaFold Multimer可预测蛋白–蛋白互作，也广泛用于药物靶点研究。

Isomorphic Labs 使用 AlphaFold 3 和其他工具进行药物设计，目前与诺华和礼来建立了合作，但尚未公开具体的候选药物管线。值得注意的是：AlphaFold 3 仅向学术研究者免费开放、商业公司（非 Google 或 Isomorphic）不得使用。

AlphaFold 甚至走向更广泛的科学应用。DeepMind 还开发了AlphaProteo，可以设计具有特定结合能力的新型蛋白质——这为抗体研发、癌症治疗等领域打开新路径；AlphaMissense可以预测单点突变的致病性，有望帮助揭示遗传疾病的根源，并为基因疗法等未来治疗方式铺路。

Jumper 个人尤其关注大型语言模型在科学中的潜力。他的下一步计划，是把 AlphaFold 的“垂直深能力”与 LLM 的“横向理解能力”结合起来。“我们已经有能阅读科学文献、能进行部分科学推理的机器了；也有能在蛋白结构预测上达到超人水平的系统。现在的问题是：怎么让它们协同？”

一些 AI 初创公司正在尝试让大模型根据研究者指定的蛋白功能，自动生成对应的 DNA 序列，尽管这些结果仍需实验验证。Jumper 对此类方法在设计“真正全新蛋白”方面的有效性持保留意见，他也知道有人为 AlphaFold 做了类似 ChatGPT 的对话界面，但他并不觉得这有真正意义。

令他兴奋的是另一件事，利用大型语言模型提出新的科学假设，并设计实验去验证它们。DeepMind 已基于 Gemini 制作了一个原型“AI 科学家”，具备部分能力。但 Jumper 认为，这种方法仍有巨大的潜力尚待开发。正如他所说：“真正令人兴奋、真正庞大的数据集，是整个人类的科学文献。”

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/