AlphaFold五周年：John Jumper展望与大模型融合，开启生命科学智能新纪元

正值AlphaFold问世五周年之际，其核心设计者、凭借这一突破性成果荣获诺贝尔化学奖的John Jumper近日公开表示：

AlphaFold的下一步演进方向将与更广泛的大模型技术深度融合。

尽管具体技术细节尚未披露，但这一表态暗示团队可能已有清晰思路，甚至相关研发已悄然推进。

过去五年间，AlphaFold已助力全球300多万科研人员，成功预测了数亿种蛋白质的三维结构，其影响力辐射至超50万篇学术论文。

可以说，这一工具的问世，堪称继量子力学革命和分子生物学革命之后，生命科学领域的又一次历史性跨越。

从最初的“结构预测革命”，到如今成为科研领域的“常规工具”，AlphaFold及其衍生技术正迈入全新的大模型驱动阶段。

AlphaFold+大模型：从预测到推理的跨越

即便在AI技术日新月异的今天，AlphaFold依然被视为AI+生命科学领域最具里程碑意义的落地应用。

作为一款由谷歌DeepMind开发的智能科研工具，AlphaFold能够以前所未有的精度预测蛋白质的三维空间结构。

它通过深度学习海量的序列与结构数据库，挖掘氨基酸序列之间的潜在关联与折叠规律，从而构建出精准的结构模型。

自2020年AlphaFold2首次公开亮相以来，它迅速成为结构生物化学领域的基石，随后又迭代出可预测多蛋白复合体的AlphaFold Multimer，以及目前速度最快的AlphaFold 3。

如今，AlphaFold已从单纯的蛋白质结构预测，拓展至处理更复杂的多分子体系以及广泛的生物分子交互作用。

科学家们借助这一利器，已取得诸多突破性成果：

例如，近期密苏里大学团队利用AlphaFold成功解析了心血管疾病的关键因子——坏胆固醇（LDL）的原子级结构，相关成果发表于《Nature》。

LDL是动脉粥样硬化、冠心病等疾病的主要风险因子，其核心由ApoB100蛋白构成。由于该蛋白体积庞大、结构复杂且与脂质紧密结合，长期以来其三维结构始终是个谜。

研究团队先利用AlphaFold基于氨基酸序列进行结构预测，再将生成的模型拟合到电子密度图中，逐步优化直至与实验数据完美匹配。

最终揭示了ApoB100独特的笼状结构，为心血管疾病治疗提供了全新的分子基础。

另一项研究则利用AlphaFold探索蜜蜂的抗病机制。

研究聚焦于蜜蜂体内的关键蛋白Vitellogenin（Vg），该蛋白不仅参与后代喂养，还与免疫力、抗逆性密切相关。

在AlphaFold的辅助下，研究人员仅用两天就完成了过去数年的工作，解析出Vg蛋白的近原子级结构，为濒危蜂群保护提供了关键指导。

此外，AlphaFold在一些非常规应用中也展现出巨大潜力。

去年与John Jumper同获诺贝尔化学奖的计算生物学家David Baker，正尝试利用AlphaFold评估蛋白质设计成功的概率。

还有一些团队将AlphaFold当作搜索引擎，从成千上万个候选蛋白中筛选最可能的目标结合蛋白。

……

总之，AlphaFold的应用已不胜枚举，它不仅是结构预测工具，更成为现代实验设计不可或缺的组成部分。

那么，AlphaFold的未来将走向何方？

据John Jumper所言，下一步将是AlphaFold与更广泛AI大模型的深度结合。

AlphaFold将继续推动结构预测成为科研流程的基础环节，同时其预测能力将与大型语言模型强强联合，提升至能理解科学文献、进行逻辑推理的水平。

这意味着，未来的AlphaFold不仅能预测结构，还可能提出科学假设、设计实验流程甚至自动生成研究思路。

对于更复杂的多分子系统，如蛋白质-蛋白质相互作用、核酸（DNA/RNA）的交互等，AlphaFold也将助力更深入的理解。

这一思路与谷歌的另一系统AlphaEvolve异曲同工，后者使用一个大模型生成解决方案，再由第二个模型负责验证和纠错。

两者均体现了“模型协同”的智慧，只是应用领域不同。

首位“80后”诺奖得主：John Jumper的科研之路

AlphaFold的诞生离不开DeepMind创始人兼CEO哈萨比斯和核心领导者John Jumper。

其中，John Jumper是史上最年轻的诺贝尔化学奖得主，也是首位80后诺奖获得者。

他本科毕业于范德堡大学，主修数学和物理，后在剑桥大学获得理论凝聚态物理硕士学位，并在芝加哥大学攻读博士期间转向理论化学。

他的博士论文正是探索如何将机器学习技术应用于蛋白质动力学研究。

2017年，还在做博士后的他得知谷歌DeepMind正从游戏AI转向蛋白质结构预测，便果断申请加入。

事实上，在AlphaFold之前，DeepMind曾尝试过名为“Foldit”的蛋白质折叠游戏，这源于哈萨比斯从剑桥时代起就对蛋白质折叠问题的持续关注，他希望通过预测结构找到攻克阿尔茨海默症等疾病的方法。

但游戏毕竟无法应对真实的分子复杂性，因为真实蛋白质的训练数据极其有限且固定。

传统上，确定一个蛋白质结构往往需要数月甚至数年，而这一过程已持续了将近半个世纪。

于是团队转向研发AlphaFold。

虽然初代AlphaFold在第13届CASP（蛋白质结构预测关键评估大赛）中崭露头角，成功预测43个蛋白质中的25个，优于其他97名参赛者，证明了“机器学习+统计信息”路径的可行性。

但哈萨比斯坦言，当时的预测质量尚不足以让生物学家实际应用，尤其在复杂蛋白的准确性和泛化性上存在明显缺陷。

意识到标准机器学习方法的局限后，DeepMind内部成立攻坚小组，利用Transformer架构彻底重构了AlphaFold 2，并逐步融入生物学先验知识。

然而早期的AlphaFold 2性能甚至不如初代，一度让团队怀疑方向是否正确。于是他们采取交替策略：一方面将旧系统性能榨取到极致，另一方面给予新系统充分的试错空间——允许短期性能下降，鼓励新想法的尝试。

直到某个清晨，奇迹发生了。团队成员打开电脑，发现AlphaFold 2在某一组蛋白质上表现异常出色，预测精度达到1.5埃，接近原子级别的分辨率。

她的第一反应不是兴奋，而是惶恐——她确信自己犯了错误。随后的几天里，她和团队全力排查，结果发现并无错误，新系统成功了。

随后他们参加了CASP 14竞赛，并集中攻克了新冠病毒的ORF8蛋白。

结果震惊学界：准确性均分从原先的60+大幅跃升至92.4，而其他方法仍在40分左右徘徊。

至此，困扰学界半个世纪的蛋白质折叠难题终于迎来解决方案。

取得突破后，DeepMind将AlphaFold代码全部开源，并向全球免费发布2亿个蛋白质的结构预测数据。

AlphaFold的诞生，标志着生物化学领域正式迈入AI驱动的新时代，哈萨比斯和John Jumper也因此荣膺2024年诺贝尔化学奖。

诺奖组委会这样评价道：

毫不夸张地说，AlphaFold在结构生物化学领域掀起了一场革命，并为设计前所未见的蛋白质开启了无限可能。

但在此之前，John Jumper曾谦逊地表示，自己获奖的概率只有10%，他更期待越来越多科学家利用AlphaFold实现医学和生物学的突破。

如今，他对自己的未来规划是：

作为年轻的诺奖得主，这让我感到责任重大。接下来我将专注于一些深入的小课题，至于第二次冲击诺贝尔奖，我认为那是个陷阱。

参考链接：

[1]https://www.technologyreview.com/2025/11/24/1128322/whats-next-for-alphafold-a-conversation-with-a-google-deepmind-nobel-laureate/

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

[3]https://deepmind.google/blog/revealing-a-key-protein-behind-heart-disease

[4]https://deepmind.google/blog/breeding-healthier-and-stronger-honeybees/

[5]https://www.youtube.com/watch?v=d95J8yzvjbQ

[6]https://x.com/GoogleDeepMind/status/1993350293703016451

[7]https://mp.weixin.qq.com/s/NenjAUac6mVKrs0ji6C-og[8]https://fortune.com/2020/11/30/deepmind-solved-protein-folding-alphafold