[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fy9lDq4BEChg0mFWFe6fdfkgx60K1cv0Sp9p019Yiy90":3},{"item":4,"related":46},{"id":5,"type":6,"title":7,"slug":8,"summary":9,"body":10,"coverUrl":11,"productScreenshots":12,"productLinks":13,"authorName":14,"authorUrl":15,"authorSubject":16,"category":17,"tags":22,"sourceLabel":35,"sourceName":36,"sourceUrl":37,"status":38,"seoTitle":39,"seoDescription":39,"canonicalUrl":39,"isFeatured":40,"sno":41,"sortOrder":42,"publishedAt":43,"updatedAt":44,"createdAt":45},"b9523891-dc90-4aed-86cf-2878a8bc2614","article","蛋白质为什么要折叠，AI 又是怎么猜出它形状的？","protein-folding-and-alphafold-explained","蛋白质是一串氨基酸折成的微型机器，三维形状往往决定它能做什么。传统实验测结构耗时昂贵，AlphaFold 则从序列和已知结构中预测空间关系。本文面向非生物专业读者解释折叠、预测结果与实验验证之间的关系。","蛋白质可以想象成一串由氨基酸连接起来的长链，但它在细胞里不会像散乱毛线一样漂浮。链上的不同部分会互相吸引、排斥和弯折，最终形成复杂的三维结构。这个形状往往决定蛋白质能与谁结合、能催化什么反应，以及能否正常工作。\n\n知道氨基酸顺序，只是拿到了零件清单；知道折叠后的结构，才更接近看见这台微型机器。\n\n![p53 蛋白质与 DNA 结合的三维结构示意图](https:\u002F\u002Flh3.googleusercontent.com\u002FA806WHSEGIsT-3catWcIqMJ1fAd7KtNRcHuLxhyrEm0jLmCv3C49dMLecF8Y5x-Qd0XcLI_qkYvt8GnZ0cz8xUPHGrJbyCLZELIXqJwGdZuRnGxkFg%3Dw1440-h810-n-nu)\n\n## 为什么形状如此重要\n\n抗体需要用特定表面识别目标，酶需要形成容纳分子的口袋，运输蛋白则依赖能够开合的通道。一个关键位置改变，整条链的折叠方式和功能都可能受到影响。某些错误折叠还与疾病有关。\n\n科学家可以使用 X 射线晶体学、冷冻电镜和核磁共振等实验方法测定结构。这些方法非常重要，却可能耗时、昂贵，也并非适用于所有蛋白质。因此，从序列预测结构长期以来一直是计算生物学的重要难题。\n\n```mermaid\nflowchart LR\n    A[氨基酸序列] --> B[模型预测残基关系]\n    B --> C[构建三维结构]\n    C --> D[输出局部置信度]\n    D --> E[指导实验设计]\n    E --> F[实验验证结构与功能]\n```\n\n## AI 不是在模拟每个原子怎样抖动\n\n直觉上，人们可能认为预测折叠必须从一条直链开始，逐毫秒模拟所有原子的运动。AlphaFold 走的并非这条完整物理模拟路线。它从已知蛋白质序列与结构中学习规律，预测不同氨基酸残基之间的空间关系，再据此构建三维结构。\n\n序列中的共同演化信息尤其有用。如果两个位置在不同物种中经常一起变化，它们可能在结构上相互作用。模型还会利用几何约束与结构模式，把大量局部关系整合成一个空间方案。\n\nGoogle DeepMind 的[五年回顾](https:\u002F\u002Fdeepmind.google\u002Fblog\u002Falphafold-five-years-of-impact\u002F)介绍，AlphaFold 2 在 2020 年的 CASP14 蛋白质结构预测评测中取得突破，之后与 EMBL-EBI 合作建立数据库，并发布了超过两亿个预测结构。规模扩大使研究者能更快形成假设，但数据库里的“预测”二字仍然关键。\n\nhttps:\u002F\u002Fdeepmind.google\u002Fblog\u002Falphafold-five-years-of-impact\u002F\n\n## 彩色丝带图不是蛋白质的真实照片\n\n我们常看到的螺旋和彩带，是帮助人理解结构的可视化。真实蛋白质由原子组成，并在溶液与细胞环境中不断运动，不是凝固的雕塑。许多蛋白质还会与其他蛋白、DNA、小分子或金属离子结合，单独结构无法讲完全部故事。\n\n预测结果通常带有置信度。高置信区域可为实验设计提供线索，低置信区域可能表示结构灵活、资料不足或模型不确定。研究者不能把漂亮图像自动当成实验事实，而应结合生化实验、突变研究和其他结构方法验证。\n\n## 它解决了什么，又没有解决什么\n\n结构预测可以帮助寻找潜在结合位点、解释基因变异、比较蛋白质家族并设计实验。过去可能要先花很久获得结构线索，现在可以先查看预测，再把实验资源集中到最值得验证的方向。\n\n但从结构到新药之间仍有很长距离。药物要进入人体、到达目标、产生足够效果，同时避免毒性和其他副作用。蛋白质也可能拥有多个动态构象，疾病机制更涉及细胞、组织和整个人体。预测一个结构不等于自动找到疗法。\n\nAlphaFold 的意义不是让实验室变得多余，而是改变实验起点。面对一串氨基酸，研究者不再只能从空白纸开始，可以先得到一张有置信标记的三维草图。AI 猜出形状，实验确认现实，两者结合才让这台微型机器真正被理解。","\u002Fuploads\u002F2026-08-14\u002Fb0cfa927-89dc-45b0-a893-b1bcc58567fb.jpg",[],[],"Foundit","https:\u002F\u002Ffoundit.cn","f39339b1-aaa6-4e86-b0c2-a6e6a21113b5",{"id":18,"name":19,"slug":20,"description":21},"6179d3b6-dc34-4483-9ded-3cd9f1b37a47","科普","abbreviation","介绍各领域新兴概念",[23,27,31],{"id":24,"name":25,"slug":26},"4c2bbea6-eab7-40a8-8447-1de478ff7749","分析","analyse",{"id":28,"name":29,"slug":30},"7c76bfc2-f80f-4ee0-a95d-27bd8708b434","技术","slug",{"id":32,"name":33,"slug":34},"88d2bc27-0e0f-468a-b907-2991cb97b87b","人工智能","ai","资料来源","Google DeepMind：AlphaFold Five Years of Impact","https:\u002F\u002Fdeepmind.google\u002Fblog\u002Falphafold-five-years-of-impact\u002F","published",null,false,60,0,"2026-08-13T00:00:00.000Z","2026-08-14T14:44:21.763Z","2026-08-14T03:06:12.715Z",[47,56,64],{"id":48,"type":6,"title":49,"slug":50,"summary":51,"coverUrl":52,"authorName":14,"sno":53,"publishedAt":54,"createdAt":55},"f00e5274-8e0b-40fe-af3b-b6a8d0183b9c","一张贴纸就能骗过视觉 AI？对抗样本不是魔法","adversarial-examples-fool-visual-ai","人眼仍能认出的物体，经过精心设计的微小扰动或标记后，机器却可能改变判断。这类输入称为对抗样本。本文解释攻击者如何利用模型的决策边界，现实攻击为何比实验更难，以及为什么目前不存在一劳永逸的防御。","\u002Fuploads\u002F2026-09-08\u002F151f887b-c5f1-4647-b369-cdda8a1e1b4f.jpg",50,"2026-09-03T00:00:00.000Z","2026-08-14T03:06:09.765Z",{"id":57,"type":6,"title":58,"slug":59,"summary":60,"coverUrl":61,"authorName":14,"sno":41,"publishedAt":62,"createdAt":63},"305492d4-c146-456a-b341-31140ab9cafd","天气预报不再一格一格算空气，AI 是怎么预测风暴的？","how-ai-weather-forecasting-works","传统数值预报依据物理方程推进大气状态，AI 天气模型则从历史观测与再分析数据中学习状态如何演变。本文以 GraphCast 为例，解释图神经网络如何快速预测全球天气、它与传统方法如何协作，以及极端天气仍有哪些难点。","\u002Fuploads\u002F2026-08-16\u002Fa8b5ddad-d6db-4d12-a159-87a6c5309082.jpg","2026-08-16T00:00:00.000Z","2026-08-14T03:06:12.102Z",{"id":65,"type":6,"title":66,"slug":67,"summary":68,"coverUrl":69,"authorName":14,"sno":41,"publishedAt":70,"createdAt":71},"7f962194-e0c6-4072-9b50-c70054beb0e5","同一个问题问三遍，AI 为什么会给出三个答案？","why-ai-gives-different-answers-sampling","大模型每次回答都在从候选词中继续选择，而不是从数据库里取出一段固定文字。温度、Top-p 和随机采样共同决定回答更稳定还是更有变化。本文用抽签与岔路的比喻，解释 AI 的随机性从哪里来，以及什么时候应该追求一致。","\u002Fuploads\u002F2026-08-14\u002Fb322d338-b5c0-48c7-addf-fbd91421e316.jpg","2026-08-14T00:00:00.000Z","2026-08-14T03:06:07.351Z"]