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

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。”

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。”

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。

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。”

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。”

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。”

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。”

• 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。

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