AlphaFold 從序列預測蛋白質形狀，而非實際測量

蛋白質的功能取決於其三維形狀，而僅知道序列並無法得知形狀。以實驗方式測定一個結構，研究團隊可能得花上數月至數年，這就是為何儘管蛋白質序列有數十億條，已知的獨特蛋白質結構卻只有約 10 萬個。

DeepMind 的 AlphaFold 以計算方式攻克這個問題。它是在科學家已經解出的結構上訓練的，並把演化當作訊號：擁有共同祖先的序列必定以相似方式摺疊，因此多重序列比對攜帶了關於蛋白質中哪些部分在空間中彼此靠近的資訊。

接著，這個網路僅憑一條序列就能產出每個原子的三維座標。在盲測的 CASP14 評估中，它在大多數目標上可與實驗結構相媲美，且遠勝所有先前的計算方法，在幾分鐘內完成原本可能得花實驗室數年才能做到的事。

這次的成功並非單純追求更大的模型；關鍵在於把物理與演化知識編碼進架構中，再讓它推廣到龐大的未見蛋白質空間。

預測形狀，而非逐一測量

實驗結構測定是生物學中最緩慢、最昂貴的步驟之一，因此以預測取而代之，改變了可研究對象的規模。

多重序列比對讓演化替代測量，賦予模型一個遠超出少數已知結構的大型私有訓練訊號。

這個模型解決的是一般性任務，因此即使從未測量過相似的結構，它也能運作。

接近原子級的準確度已足以實用，使結構成為常規的輸入，而非稀缺的資源。

當真實答案取得代價高昂時，就建立一個能將其推廣的模型——從一小組範例中學習規則，而不是為每個新案例重新測量同一件事。

AlphaFold 的結構已針對幾乎整個已知蛋白質宇宙發布，這個開放資料庫成為藥物研發、基因體學與疾病研究的標準工具。其方法協助終結了一個懸而未決五十年的開放問題，並顯示出精心設計的深度網路能從有限且昂貴的資料中萃取出通用的物理規則。