如果要选一件事代表「AI 改变了生物学」，几乎所有人都会选 AlphaFold。2024 年诺贝尔化学奖一半颁给了它的两位主创（Demis Hassabis 和 John Jumper）。这一章讲清楚三件事：它解决的问题为什么难、它为什么能赢、以及——同样重要的——它赢了之后，制药业哪些事变了、哪些没变。
一个卡了五十年的问题
蛋白质是细胞里干活的机器，而机器的本事取决于形状。蛋白质出厂时是一条氨基酸「珠子链」，在细胞里它会自动折叠成特定的三维结构——结构决定功能：一个「口袋」的形状决定了什么样的小分子能钻进去，也就是决定了能不能为这颗蛋白质设计药。
问题在于：知道珠子链的顺序（基因测序便宜又成熟），不等于知道它折成什么样。1969 年 Cyrus Levinthal 算过一笔著名的账：一条普通的蛋白质链，理论上的折叠方式多到天文数字，就算每微秒试一种，试完也要比宇宙年龄还久——可细胞里的蛋白质几毫秒就折好了。这个悖论说明折叠不是穷举，而是被物理规律引导的。那么人能算出这个规律的结果吗？这就是蛋白质结构预测问题：给一串珠子，算出三维形状。
五十年里，测结构主要靠实验：X 射线晶体学、冷冻电镜，一个结构动辄几个月几年、几十万美元。到 2020 年，人类已知的蛋白质序列有上亿条，实验测出的结构只有十几万个。计算预测做了几十年，精度始终差一口气。
AlphaFold 怎么赢的
2020 年，在两年一度的结构预测竞赛 CASP 上，DeepMind 的 AlphaFold2 把预测精度推到了和实验方法难分伯仲的水平——上一届它的最好成绩还不够用，这一届直接「问题基本解决」。评委的原话大意是：这个五十年的难题，可以认为被攻克了。
它赢在一套组合拳：用进化信息（同一蛋白质在不同物种里的序列差异，藏着「哪些珠子必须保持接触」的线索）、用注意力机制让模型自己找出链上相距遥远但折叠后贴在一起的珠子、再用物理约束收尾。两年后，DeepMind 和欧洲生物信息研究所干脆把预测好的结构免费开放——覆盖几乎所有已知蛋白质，两亿多个结构。从此任何研究者查一个蛋白质的结构，像查字典一样。
对制药改变了什么
最直接的变化发生在第二章和第四章的交界处：过去很多靶点蛋白质「没有结构数据」，基于结构的药物设计无从下手，现在默认有了一份草稿。原本卡在「等晶体」上的项目可以马上开工；一些「不可成药」靶点的口袋，可以先在预测结构上打量一番。它把结构生物学的瓶颈从「测不出来」变成了「够不够用」。
以及，改变不了什么
这里是大多数新闻标题停下来的地方，但我们要继续问：AlphaFold 能直接给药吗？不能，而且差距比想象中大：
- 它给的是一张照片，不是一部电影。蛋白质在细胞里是动态的，口袋会开会合、会变形。药的结合常常依赖那些转瞬即逝的「瞬态口袋」，静态快照抓不住。
- 它算的是「长什么样」，不是「贴得多牢」。知道锁的形状，离知道哪把钥匙转得动、转多顺，还隔着一整套结合自由能的物理计算——那是另一个更难的问题。
- 它对「不成形」的部分无能为力。人体里相当比例的蛋白质区域天生没有固定形状（内在无序区），而它们恰恰深度参与疾病信号传导。
- 最根本的：结构正确，不等于靶点正确。就算把每个蛋白质的形状都印成图册，第二章那个核心问题——「关掉这个开关能治病吗」——一个字都没有被回答。锁的图册不能告诉你哪把锁锁着这个病。
大白话：AlphaFold 是把人体这台机器的零件图册从『缺 99% 页』补到『基本全了』——了不起。但图册是静态的，而机器是活的；看懂零件和修好机器之间，隔着一整本动力学和一整本病理学。
AlphaFold 是真正的胜利，但它的胜利边界恰好画出了 AI 在制药里的能力边界：它攻克的是一个规则明确的物理问题，而新药研发最贵的失败，全在规则不明的生物学问题里。下一章，正面拆这条边界。