蛋白质预测的下一步：从"拍一张照片"到"造一部电影"
蛋白质预测的下一步：从”拍一张照片”到”造一部电影”
AlphaFold2 在 2020 年解决了蛋白质结构预测的一个核心问题：给定一条氨基酸序列，预测它折叠后的三维结构。这项工作拿了 2024 年的诺贝尔化学奖。
但 AlphaFold2 给出的是一张静态照片——一个蛋白质在某一瞬间的构象。而真实的蛋白质不是静止的。它们在折叠态和未折叠态之间波动，在多种构象之间切换，与其他分子发生动态相互作用。这些动态过程直接决定了蛋白质的功能。
2026 年 3 月 19 日，一篇题为”From Snapshots to Symphonies”的综述文章系统梳理了蛋白质预测领域正在经历的转变：从静态结构预测，走向生成式动态建模和多模态交互预测。 这篇文章提供了一个很好的框架，帮助我们理解这个领域的下一步方向。
静态结构预测之后，还有什么问题
AlphaFold2 能预测一个蛋白质的”最可能”结构。但”最可能”并不等于”唯一”。很多蛋白质在执行功能时需要在多种构象之间切换——比如酶在催化前后的构象变化、受体在结合配体前后的构象变化、离子通道在开放和关闭状态之间的切换。
这些构象集合（conformational ensemble）是理解蛋白质功能的关键。如果只看一个静态结构，你可能看到的是蛋白质在某个状态下的”快照”，但看不到它是如何到达那个状态的，也看不到它还能变成什么样子。
分子动力学（MD）模拟是研究构象集合的传统方法——通过数值求解牛顿运动方程，模拟蛋白质在原子水平上的运动。但 MD 模拟非常耗时：模拟一个蛋白质微秒级别的运动，可能需要数千个 CPU 小时。要覆盖蛋白质的完整构象空间，计算成本高得不现实。
这正是 AI 可以介入的地方：能否用学习到的模型直接生成构象集合，而不需要跑昂贵的 MD 模拟？
生成式方法：从快照到动态
2026 年初的几项工作展示了这个方向的进展。
Align Your Structures（Iyengar 等，2026 年 4 月 4 日，arXiv） 提出了一种基于结构预训练的轨迹生成方法。它的思路是：先在大量蛋白质结构数据上预训练一个模型，让它学习蛋白质结构的一般性规律，然后在少量 MD 模拟数据上微调，让它学会”从一个构象出发，预测下一个构象”。这个方法试图用少量的模拟数据撬动大量结构数据中蕴含的知识。
PI-Mamba（2026 年 3 月 17 日，arXiv） 用 Flow Matching 加 Mamba 架构来做蛋白质骨架生成。Mamba 是一种状态空间模型，计算复杂度是线性的——这意味着它比 Transformer 更适合处理长序列。PI-Mamba 用”谱初始化”策略来加速 Flow Matching 的收敛，在保持生成质量的同时显著提高了效率。
Inference-time optimization（Maddipatla 等，2026 年 3 月 4 日，arXiv） 提出了一种在推理阶段优化生成过程的方法——不是在训练时学习一个固定的生成器，而是在每次生成时根据实验数据动态调整生成策略。这个方法试图弥合计算生成和实验测量之间的差距。
多模态交互：不只看序列，还要看”关系”
蛋白质不是孤立工作的。它们与 DNA、RNA、其他蛋白质、小分子药物发生相互作用。预测这些相互作用——不只是”它们会不会结合”，还有”它们怎么结合、结合后会发生什么”——是蛋白质预测的下一个前沿。
“From Snapshots to Symphonies”综述中特别强调了这一点：未来的蛋白质预测不只是预测单个蛋白质的结构或动态，而是预测蛋白质在复杂生物环境中的多模态交互。
这包括：
- 蛋白质-蛋白质对接：预测两个蛋白质如何结合在一起
- 蛋白质-配体结合：预测药物分子如何与靶点蛋白质结合
- 蛋白质-DNA/RNA 交互：预测转录因子如何识别 DNA 序列、RNA 结合蛋白如何调控 RNA
这些任务的共同特点是：它们不只是结构预测，还需要理解分子之间的动态关系——结合前后的构象变化、结合过程中的能量变化、结合后的功能效应。
这和 GAN/扩散模型有什么关系
在同一批次（GAN/扩散模型）的第一篇文章中，我们讨论了生成式模型如何从零设计新的蛋白质或分子。而这篇文章讨论的是生成式模型如何预测已有蛋白质的动态行为。
这两者是互补的。 生成新分子需要理解”什么样的分子是合理的”——这恰恰需要对构象空间和能量景观有深入的理解。一个能准确预测蛋白质动态的模型，可以为生成式设计提供更精确的”合理性判据”。
事实上，近期的一些工作已经在尝试将两者结合：用生成式模型产生候选分子，用动态预测模型评估候选分子在真实环境中的稳定性。这种”生成 + 评估”的协作流程，可能是未来分子设计的主流模式。
边界在哪里
需要诚实地说明的是：
第一，”预测构象集合”不等于”还原真实动力学”。 目前的生成式方法能产生多样化的构象样本，但这些样本是否准确覆盖了真实的构象分布，还需要通过与实验数据（如 NMR、cryo-EM、FRET）的对比来验证。模型可能生成了结构上看起来合理、但在能量上不稳定的构象。
第二，训练数据的局限。 目前大多数模型的训练数据来自经典 MD 模拟——而经典 MD 模拟本身有力场精度的限制。如果训练数据中有系统性偏差，模型可能会学习并放大这些偏差。
第三，评估标准尚未统一。 对于”生成的构象集合好不好”，目前没有一个统一的评估标准。不同的论文使用不同的指标——RMSD 分布、自由能面覆盖度、实验数据吻合度——这使得不同方法之间的直接比较很困难。
第四，计算成本的转移。 生成式方法在推理阶段比 MD 模拟快得多，但训练阶段的成本很高。对于研究较少的蛋白质家族，可能没有足够的数据来训练一个可靠的模型。
对不同读者意味着什么
如果你在做结构生物学或计算生物物理： 生成式方法正在成为 MD 模拟的一个有力补充。它们不能替代 MD（MD 提供了训练数据和物理基础），但可以大幅加速构象空间的探索。值得关注的方向包括：如何将实验数据（cryo-EM 密度图、NMR 约束）直接整合到生成过程中，以及如何评估生成构象的能量合理性。
如果你在做蛋白质设计： 准确的构象预测是生成式设计的基础。一个能设计出新蛋白质的模型，需要知道”这个新设计的蛋白质在真实条件下会折叠成什么样子”——这就是动态预测的用武之地。
如果你在跟踪 AI 技术趋势： 从静态到动态、从单模态到多模态、从分析到生成——蛋白质预测领域正在经历的这些转变，与计算机视觉、自然语言处理领域过去几年的转变有相似之处。但生物系统的物理约束和实验验证需求，使得这个领域有其独特的挑战和机遇。
参考文献
- Wanasekara, S.H. et al. (2026). From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions. arXiv preprint.
- Iyengar, A. et al. (2026). Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics. arXiv preprint.
- PI-Mamba (2026). Linear-Time Protein Backbone Generation via Spectrally Initialized Flow Matching. arXiv preprint.
- Maddipatla, A. et al. (2026). Inference-time optimization for experiment-grounded protein ensemble generation. arXiv preprint.