Nature | AlphaFold 问世五周年：数据显示它如何彻底改变科学研究

2020 年 11 月，Google DeepMind 发布了 AlphaFold2 —— 一个能从氨基酸序列直接预测蛋白质三维结构的 AI 系统。五年过去，它已成为全球科学家不可或缺的工具，甚至被称为“结构生物学的第二次降临”。

五年后的今天，AlphaFold 到底改变了什么？Nature 用一组数据给出了答案。

一个真实案例：从“看不见”到“看得懂”的受精机制

维也纳分子病理学研究所的生物化学家 Andrea Pauli 团队，花了近十年研究“精子与卵子如何相互识别”。

2018 年，他们发现斑马鱼卵子表面有一个关键蛋白 —— Bouncer，这是卵子选择精子的关键。但 Bouncer 是如何识别精子的？团队多年没有突破。

直到 AlphaFold 出现。AI 预测出一个此前没人想到的模型：一个叫 Tmem81 的蛋白能够稳定两个精子表面蛋白，并形成一个对 Bouncer“完美适配”的结合口袋。随后实验验证完全正确。

Pauli 说：“AlphaFold 让我们走上了从未想到的正确道路。现在我们每个项目都用它。”

5 年，40,000 篇论文引用

自 AlphaFold2 代码在 2021 年完全开源以来，其影响力爆炸式增长：

• 2024 年 Pauli 的论文成为 AlphaFold 应用的典型案例之一；
• 2021 年 Nature 论文已被引用 近 40,000 次；
• 引用量不仅没有放缓，反而持续增长；
• 在会议上，“几乎每个报告都会提到 AlphaFold”。

英国 EMBL-EBI 的结构生物信息学家 Janet Thornton 说：“这是结构生物学的第二次降临。”

全球 190 多个国家，330 万用户

Google DeepMind 与 EMBL-EBI 共同维护的 AlphaFold Database（AFDB），当前包含超过 2.4 亿 个蛋白结构预测。

• 330 万用户访问了数据库；
• 覆盖 190+ 国家；
• 其中 超过 100 万 来自中国、印度等中低收入国家。

过去需要高端实验室才能研究的蛋白，现在任何研究人员都可以在笔记本电脑上获得结构预测。

结构生物学：受益最大的一群人

DeepMind 的最新数据分析显示：

• 使用 AlphaFold 的结构生物学团队提交到 PDB 的实验结构 比未使用者多 50%；
• 即使与其他先进 AI 方法相比（如传统预测算法、深度学习模型等），AlphaFold 用户依然产出更高；
• 许多实验学者用 AlphaFold 预测结构帮助解释 X 射线 & 冷冻电镜数据。

AlphaFold2 的负责人 John Jumper（2024 诺贝尔化学奖得主之一）说：“AlphaFold 帮助了那些提供 PDB 数据的实验学家，这是我最感动的地方。”

计算生物学：AI 设计蛋白迎来黄金时代

自 AlphaFold 发布以来，计算结构生物学、AI 药物设计、蛋白工程全面加速。

• 几乎每个相关领域的会议上都会见到它；
• 促成了新一波投资、研究潮和产业化公司；
• 让“AI 设计蛋白质”从理论成为现实。

哥伦比亚大学的计算生物学家 Mohammed AlQuraishi 说：“对计算生物学而言，这是最好的时代。”

超过 20 万篇研究受到直接或间接影响

Google DeepMind 支持的独立研究显示：

• 直接或间接利用 AlphaFold 的论文数超过 20 万篇；
• 覆盖近 800,000 名科学家。

但也有一个颇为耐人寻味的发现：

• 使用 AlphaFold 的实验室发表论文数仅比未使用的增加约 5%；
• 个体研究者提升约 2%。

换言之，AlphaFold 并没有让任何人“论文爆炸增长”。

研究人员表示：“它不是一个制造论文的工具，它改变的是科学研究的方式。”

药物研发的真正成果，需要时间兑现

AlphaFold 的临床与产业影响正在开始逐渐显现：

• 许多疾病相关蛋白结构因 AlphaFold 得以被理解；
• 研究团队已用其突破多个疾病机制研究；
• AlphaFold3 在 2024 年发布，首次支持“蛋白–配体结合预测”，更贴近药物发现。

Jumper 透露：“我确信已有病人因 AlphaFold2 的洞见而受益。” “但真正的药物突破，需要更多时间沉淀。”

AlphaFold 五周年：我们看到哪些未来？

• 结构生物学进入 AI 驱动时代

实验解析结构仍然重要，但 AI 结构预测正在成为默认起点。

• AI 设计蛋白将成为科技新热点

从酶工程、诊断蛋白、治疗蛋白，到新型材料蛋白，AlphaFold 正成为基础工具。

• 科研平权加速

以前只有顶尖实验室能解析结构，现在全球研究者都能用 AlphaFold 开展研究。

• 产业界将持续投入

AlphaFold3 已经开启药物发现新阶段，未来会有更多 AI-结构模型出现。

• 真正的科学革命才刚开始

五年只是序章。

最后

AlphaFold 的意义不仅是“解决结构预测”，更是改变了科学研究的方式：

• 让蛋白研究更快
• 让科研更公平
• 让 AI 和生物学真正融合
• 打开了一个全新的蛋白设计与药物发现时代

正如 Thornton 所说：“它正在重塑科学。”

整理 | DrugOne团队

参考资料

https://www.nature.com/articles/d41586-025-03886-9

内容为【DrugOne】公众号原创｜转载请注明来源