AlphaFold2
Parent: ai_keywords
AlphaFold2 专业百科解释
核心定义
AlphaFold2 是由 DeepMind 开发的第三代蛋白质结构预测人工智能系统。它基于端到端深度学习架构，在2020年国际蛋白质结构预测关键评估（CASP14）中取得了原子级精度的预测结果（中位GDT分数92.4），标志着计算结构生物学从“序列到结构”预测难题的里程碑式突破。其对蛋白质三维构象的预测精度已接近实验方法（如X射线晶体学、冷冻电镜），且计算速度提升数个数量级。
关键技术点
-
Evoformer 模块（进化变换器）
融合多序列比对（MSA）与成对残基特征（Pair representation），通过自注意力机制在序列和空间维度上交替更新信息，捕捉长程共进化耦合与物理约束。 -
迭代结构模块（Structure Module）
将Evoformer输出的抽象表示转化为三维坐标，采用循环IPA（Invariant Point Attention）机制，在残基间旋转平移不变空间中进行几何推理，逐步精化主链与侧链构象。 -
端到端训练与物理先验
直接从原始序列和MSA端到端预测原子坐标，无需手工特征工程。同时引入物理能量项（范德华、键长角约束）作为辅助损失，确保输出结构符合基本化学规则。 -
置信度自评估
输出每个残基的pLDDT（预测局部距离误差）和PAE（预测对齐误差），为预测结构的可靠性提供量化指标，指导用户筛选高置信区域。
医学/神经科学应用场景（首都医科大学神经病学背景）
结合首都医科大学在阿尔茨海默病（AD）及神经退行性疾病的研究基础，AlphaFold2 可直接用于解析与AD密切相关的淀粉样前体蛋白（APP）及其切割产物Aβ单体/寡聚体的动态构象。传统实验技术难以获得Aβ寡聚体的高分辨率结构，而AlphaFold2可预测Aβ42与tau蛋白微管结合域（R2-R3重复区）的异源复合物三维模型，揭示二者交叉播种（cross-seeding）的分子机制。在此基础上，首都医科大学团队可进一步利用预测结构进行虚拟筛选（如靶向Aβ聚集核心疏水通道的小分子抑制剂），加速针对早发性家族性AD（PSEN1/APP突变）的个性化药物设计，推动神经退行性疾病的精准治疗突破。
