AlphaFold
Parent: ai_keywords
AlphaFold 深度百科
核心定义
AlphaFold 是由 DeepMind 开发的人工智能系统，专门用于从氨基酸序列预测蛋白质的三维结构。其最新版本 AlphaFold2 实现了接近实验方法（如冷冻电镜、X 射线晶体学）的预测精度，被公认为结构生物学领域的里程碑式突破。该系统的本质是一个基于深度学习的端到端模型，能够学习蛋白质序列与空间构象之间的复杂映射关系。
关键技术点
-
多序列比对（MSA）与进化信息融合
AlphaFold 利用同源序列的共进化模式（如残基共突变）构建 MSA，并通过 Evoformer 模块进行注意力机制的迭代融合，提取残基间距离与取向的先验约束。 -
结构模块（IPA）与坐标重构
采用不变点注意力（Invariant Point Attention, IPA）机制，在 SE(3) 等变条件下直接预测残基的旋转矩阵与平移向量，实现对局部几何的物理一致性建模。 -
迭代 refinement 与自蒸馏
预测过程分为多个循环：初始预测经循环再投入模型，逐步优化主链扭转角（φ/ψ）和侧链构象，同时利用自蒸馏策略从高置信度预测中生成伪标签增强训练。 -
物理势能辅助的损失函数
除监督学习外，损失函数包含基于力场的构象能量项（如范德华力、氢键、拓扑约束），确保预测结构满足基本物理化学规则。
医学/神经科学应用场景
以首都医科大学神经病学研究所为例，研究方向涵盖神经退行性疾病中错误折叠蛋白的病理机制。AlphaFold 可精准预测关键致病蛋白（如 α-突触核蛋白在帕金森病、tau 蛋白在阿尔茨海默病）的单体及低聚体结构，揭示突变位点（如 G51D、P301L）如何改变局部折叠能垒，从而促进聚集形成。此外，针对药物开发，AlphaFold 可快速生成膜蛋白（如 NMDA 受体、多巴胺转运体）的预测结构，用于虚拟筛选跨血脑屏障的小分子抑制剂，加速针对卒中、癫痫等疾病的靶向治疗转化。这一技术已与神经病理学的实验结构解析互补，极大提升了从蛋白构象到临床干预的研究效率。
