一个五十年没解出来的谜题，在三天里被解开了
先交代背景。蛋白质是生命的工人：你身上每一个化学反应、每一根头发、每一次肌肉收缩，都是蛋白质在执行。而一种蛋白质能干什么，几乎完全取决于它的三维形状——一条氨基酸链怎么折叠成一台精密的纳米机器。问题是，从序列预测形状，这个计算难到 1970 年代起就被称为「蛋白质折叠问题」，被公认还要再卡五十年。
2020 年底，DeepMind 的 AlphaFold2 在一个双年盲测竞赛上把预测精度直接拉到了实验水平——裁判们需要专门开会确认这不是作弊。之后不到两年，两亿多个蛋白质（几乎覆盖已知全部）的预测结构被免费公开。一个领域五十年的人力，被一次性做成了公共基础设施。2024 年，这件事拿了诺贝尔化学奖。
但注意本章的标题：读懂，只是上半场。
上半场：从手工艺品到查表
AlphaFold 改变的不是「多了两亿张结构图」，而是改变了研究者的决策顺序。以前，研究一个新靶点蛋白，先得花几年、几十万美元做实验解析结构（X 光晶体学、冷冻电镜），结构不出来，药物设计无从谈起——大量课题死在这一步。现在的顺序倒了过来：先查表拿到结构草稿，实验只做验证。结构从「奢侈品」变成「日用品」。
这就是为什么它是本书第一章说的三股力量之一：疟疾疫苗抗原、核孔复合体、耐药菌的分子泵——一批卡了多年的结构在两年内被解开，不是因为科学家变聪明了，是因为地形变了。
下半场：既然能读，能不能写？
折叠问题问的是「给一段序列，它长什么样」。反过来问才刺激：我想要一台干某个活的纳米机器，该写什么序列？这叫从头设计（de novo design）——不从自然界已有的蛋白质改起，凭空设计出自然界从未存在过的蛋白质。
2023 年起，生成式 AI（和图像生成同源的技术路线）让这个方向爆发：研究者已经设计出了能抓住特定病毒蛋白的「分子抓手」、自然界没有的全新酶、按需组装的纳米笼子（疫苗用它把抗原排列成最能激怒免疫系统的阵列）、以及能识别特定细胞的蛋白开关。验证方式也很硬核：把 AI 设计的序列交给实验室合成出来，测它的结构和功能，与设计目标的吻合度已经高到可以「按单生产」。
这意味着药物发现的逻辑在反转。传统制药像在海滩上捡贝壳：从成千上万的天然分子里筛，碰巧捡到有用的。现在在变成按图纸造机器：先说我要一个能卡住这个病毒这个部位的形状，然后让 AI 把序列写出来。
冷静一下：哪些被高估了
需要克制的地方有两处。其一，AlphaFold 预测的是静态结构，而蛋白质在体内是动的、成团的、和别的分子互动的——药物研发后期最烧钱的「这个分子在人体里到底干不干净」，AI 还没接管。AI 设计的药物进入临床试验的已经有了，但截至 2025 年还没有一个走完三期获批——「AI 制药」目前缩短的是研发前半程的时间，没有缩短临床后半程的风险。
其二，结构预测的成功依赖于进化留下的海量序列数据。序列稀少的领域（比如设计全新的酶催化化学反应），成功率还远没有那么神。上半场赢得干净利落，不代表下半场会自动复制。
用尺子量一量（这章的尺子要拧一下）
蛋白质不是病，是引擎——所以四盏灯在这里读作「引擎的四档转速」：
- 机制灯：全亮。折叠问题本身已被攻破，这是全书唯一一盏「问题已死」的灯。
- 工具灯：全亮且外溢。从预测到设计，工具链一年一换代，并且已经在给前面各章供血：mRNA 疫苗的抗原设计、基因编辑的蛋白优化、新抗原预测，都在用这套东西。
- 临床灯：微亮。AI 设计的分子已进临床试验，但尚无获批药物走完全程。
- 成本灯：全亮。结构预测的成本从「几十万美元加几年」变成「免费加几秒」，是全书最陡峭的一条成本曲线。
大白话：如果说这本书讲的是一场地基运动，蛋白质 AI 就是震中。它不直接治病，但它把「理解生命零件」这件事的边际成本打到了接近零——其他所有难题的灯，都因此亮得更快了。
下一章去一个最不可思议的现场：一个人的大脑和一台电脑之间，正在被接上一根线。