AI医疗蛋白质建模的发展经历了从传统计算到深度学习的根本性转变，AlphaFold 2 在2021年解决蛋白质结构预测问题，成为该领域的关键拐点，它首次实现了与实验精度相当的结构预测，并启发了基于深度学习的蛋白质设计新方法。
早期：传统计算与数据瓶颈
在深度学习兴起之前，蛋白质建模主要依赖分子动力学模拟和基于物理原理的力场计算。这种方法受限于对蛋白质折叠规律的理解——人类总结的蛋白质结构规律往往只有相关性，而非因果性。例如，稳定性与蛋白质结构规律相关，但并非决定后者的完备因素。同时，药物研发领域积累的人类经验不足，化学结构空间广阔（预计评估的化合物数量级巨大），但人类仅对约2亿个类药分子进行了实验表征，数据匮乏成为主要瓶颈。
关键拐点：AlphaFold 2 与深度学习突破
2021年AlphaFold 2横空出世，彻底改变了这一局面。它找到了一个数学公式，将蛋白质的1D序列和3D结构联系起来，解决了蛋白结构预测问题，精度与实验方法相当。这一突破不仅验证了深度学习在高维特征提取上的能力——AI可以用高维向量描述蛋白质特征，抓住更本质的因素——而且启发了全新的蛋白质设计方法。基于深度学习的模型已经“很擅长判别什么像蛋白，什么不像蛋白”，能够设计出自然界不存在但具备类似功能的蛋白。
大模型时代：从预测到设计
以GPT为代表的大模型进一步推动蛋白质建模进入新阶段。在蛋白质设计方面，大模型已经完全碾压了人类。例如，利用深海蛋白（耐高温）数据训练大模型，AI能够轻松设计出具备耐高温的目标蛋白。AI的设计逻辑与人类不同，有时会找到违背人类直觉但能提高稳定性的点位。这是因为深度学习提取的高维特征比人类总结的低维特征更精准，能够构建更精确的模型，尤其在生物医学、材料工程等学科，AI可能比传统方法更精准。
常见问题
### AI蛋白质建模与传统方法的核心区别是什么？
传统方法依赖人类总结的低维特征和相关性规律（如稳定性与结构规律的关联），而深度学习通过高维向量描述蛋白质特征，能抓住更本质的因素，实现更精确的建模。
### AlphaFold 2 解决了哪些关键问题？
AlphaFold 2 解决了蛋白质结构预测问题，精度与实验方法相当，并启发了基于深度学习的蛋白质设计新方法，将蛋白质工程从“预测”推向“设计”阶段。
### 大模型在蛋白质设计中有何优势？
大模型能够利用海量数据学习蛋白质序列与功能的深层关系，设计出人类直觉难以发现的优化点位，在稳定性、结合力、催化活性等方面实现更优的蛋白质工程改造。