AlphaFold 與科學 AI 的未來：與 John Jumper 的對話

AlphaFold 在結構生物學中的角色

AlphaFold 是一套專門的機器學習系統，旨在根據氨基酸序列預測蛋白質的三維結構。雖然常被描述為解決「蛋白質摺疊問題」的方案，但更精確的說法是它是一個高精度的特定類別結構生物學測量的預測器。

數十年來，確定蛋白質結構需要昂貴且耗時的實驗方法，如 X 射線晶體學，單個結構的成本大約為 10 萬美元，且需時一年。AlphaFold 將這一時間縮短至數分鐘，使得超過兩億個蛋白質結構得以預測。這項能力成為生物研究的起點，讓科學家能產生假說，然後透過有針對性的實驗加以驗證。

架構與技術演進

AlphaFold 的成功源於生物假說、幾何約束與嚴苛的實證測試的結合，而非單一的架構突破。

AlphaFold 2：Evoformer 與幾何

AlphaFold 2 拋棄了 AlphaFold 1 中使用的通用 CNN，轉而採用自訂架構。主要組件包括：

• Evoformer：使用軸向注意力的主幹架構，促進演化資料（多序列比對，MSA）與幾何表示之間的「對話」。
• Invariant Point Attention (IPA)：一種機制，使模型能在與蛋白質主鏈對齊的局部參考框架內的點上運作。
• FAPE（Frame Aligned Point Error）：關鍵的損失函數，測量每個殘基參考框架內點之間的距離，提供比全局座標更有效的訓練訊號。

消融洞見與「等變性故事」

John Jumper 指出，雖然幾何深度學習與 SE(3) 等變性常被認為是 AlphaFold 2 成功的關鍵，但消融實驗顯示其影響相對較小。移除等變性大約會在 GDT 指標上損失 2.5 分，而 AlphaFold 1 與 AlphaFold 2 之間的總體提升約為 30 分。性能的主要驅動力是 Evoformer 以及整體系統的整合。

AlphaFold 3 與 Diffusion

AlphaFold 3 將「蛋白質電影宇宙」擴展至配體、DNA、RNA 與小分子（藥物）。雖然在最終輸出上技術上使用了 diffusion model，Jumper 認為它並非生成式影像模型。相反地，diffusion 之前的大型網路決定了整體結構，而 diffusion 機制則充當「幾何化引擎」，用以細化局部細節與處理鍵距離。

限制與「窄預測器」哲學

AlphaFold 不是細胞模型，也不是摺疊生物過程的模擬。它是對最終實驗結果的預測。

• 缺乏動力學：它無法捕捉蛋白質隨時間的移動或形狀變化。
• 實驗差距：Jumper 表示，對於特定藥物靶點，模型可能「十次中有九次是錯的」。其價值在於能縮小搜尋空間，使科學家「快速失敗」而變得「極度高效」。
• 預測 vs. 控制 vs. 理解：Jumper 區分這三種能力。AlphaFold 提供預測（結果會是什麼？）並支援控制（我們如何改變結果？），但理解（提煉出可傳達的緊湊事實集合）仍是人類主導的過程。

挑戰「苦澀教訓」

「苦澀教訓」是指通用方法（如利用計算的縮放律）最終會超越人工設計的啟發式。Jumper 認為 AlphaFold 2 是相反的例子：深度領域特定工程與生物假說是必不可少的。

他主張架構研究仍然重要，因為資料是有限的。AlphaFold 2 相較於 AlphaFold 1 的成功——即使使用相同的訓練資料——顯示架構改進相當於「資料量提升 100 倍」。

真實世界影響：BioStruct Africa

AlphaFold 的效用不僅限於資源豐富的實驗室。BioStruct Africa 的 Emmanuel Nji 強調，該工具讓缺乏昂貴同步輻射源或冷凍電鏡設施的地區也能民主化結構生物學。透過將 AlphaFold 預測與有限的實驗資料結合，研究人員可將多年工作壓縮至數月，加速對非洲常見疾病（如瘧疾與 HIV）的藥物發現。

---

摘要：諾貝爾獎得主 John Jumper 討論了 AlphaFold 的架構、其作為窄預測器而非細胞模型的限制，以及儘管 AI 趨向通用，領域特定工程仍是科學突破的關鍵。

標題：AlphaFold 與科學 AI 的未來：與 John Jumper 的對話