AlphaFold 预测出了蛋白质的静态结构，但蛋白质本身并不是一块静止的积木。Google DeepMind 的 Pushmeet Kohli 和 Biohub 的 Sal Candido 在一场由 Brandon Anderson 主持的讨论中，把这件事讲得很直白：预测单一结构，不等于理解这个蛋白质在生命系统里到底在干什么。

Kohli 和 Candido 的核心判断是，AlphaFold 是一个重大突破，但它没有完全理解蛋白质的复杂动力学和功能行为。蛋白质会改变形状，会和其他分子相互作用，它的形状还可能根据环境发生变化。Candido 说得很清楚：“蛋白质不是积木，它们也不会按照积木的方式来运行。”他承认自己经常把蛋白质称为构建块，但他实际上并不相信这个说法——蛋白质非常复杂，它们是无序的。

打开网易新闻 查看精彩图片

算力不是生物学的万灵药

讨论里提到一个被反复验证过的思路：扩展计算和数据，是人工智能领域一个强有力的策略。但两位专家认为，这套打法放到生物学里并不是万灵药。

他们的理由很具体：如果没有合适的数据模态，如果科学问题没有被明确定义，仅仅增加模型大小，不会产生转化医学所需要的那种洞察。Kohli 在讨论中给出的原则是，问题应该放在第一位，解决方案空间应该保持灵活。如果一个问题需要建模精力，那就去建模；如果它需要收集更多数据，那就去收集数据。

这背后还牵出一个关于数据质量的判断。AlphaFold 的开发很大程度上依赖科学直觉来设计模型架构，而高质量、精心整理的数据对于训练有效模型至关重要。专家强调，这个领域必须从单纯积累数据，转向确保数据里包含必要的物理和化学信息，否则预测的准确性无从谈起。

从一根辐条，到一整辆自行车

要超越单个蛋白质的结构，讨论给出的方向是：把重点放在蛋白质动力学，以及多种蛋白质之间的相互作用上。

这需要新的实验技术，比如高分辨率的冷冻 EM，来提供对细胞中复杂、多组分系统进行建模所需的数据。Candido 用一个比喻描述了当前的处境：“我们是在建模其中的一根辐条。”他认为这些模型可以随着时间变得越来越好，但真正应该做的是从辐条模型转变为车轮模型，进而转变为整个自行车的模型——因为这才是人们想要理解的东西。

讨论也提到了多学科方法的必要性。两位专家探索的是 AI 驱动生物学的未来，而他们的结论是：在实现治愈所有疾病这个目标之前，还需要进行重大突破。AlphaFold 解决的是静态结构预测这一块，而蛋白质的动态行为和功能背景，仍然留在待解的清单上。