1969年，分子生物学家赛勒斯·利文索尔在一篇短文中指出了一个令人困惑的悖论：一个由100个氨基酸组成的蛋白质链，每个氨基酸有2-3种可能的旋转角度，意味着这个蛋白质理论上可以折叠成约10^30种不同的三维构象。如果蛋白质通过随机试错来寻找正确的折叠构象，即使每次尝试只需要一皮秒，也需要花费比宇宙年龄还长的时间才能找到正确答案。然而，现实中的蛋白质通常在毫秒到秒的时间尺度内就能完成折叠。这就是著名的”利文索尔悖论”——它暗示着蛋白质折叠不是随机的搜索，而是遵循某种精妙的物理化学”捷径”。
50年的追逐
蛋白质是生命活动的执行者。一个蛋白质的功能完全取决于它的三维结构——错误的折叠意味着功能丧失，甚至可能导致疾病（如阿尔茨海默病、帕金森病和朊病毒病）。因此，从氨基酸序列预测蛋白质的三维结构，被《科学》杂志列为125个最具挑战性的科学问题之一。
这个问题的核心是安芬森实验。1972年诺贝尔化学奖得主克里斯蒂安·安芬森证明：去折叠的蛋白质可以自发地重新折叠成正确的三维结构，而不需要任何外部帮助。这意味着——所有折叠所需的信息都编码在氨基酸序列本身之中。问题就变成：我们如何从那一串字母（氨基酸序列）中解读出三维结构？
AlphaFold：AI的降维打击
2018年，一个意外的挑战者出现了。Google DeepMind的团队——此前以开发击败围棋冠军的AlphaGo而闻名——参加了第13届蛋白质结构预测关键评估竞赛（CASP13）。他们的程序AlphaFold虽然没有解决整个问题，但显著优于所有其他参赛者。
真正的突破发生在2020年的CASP14上。AlphaFold 2的表现如此惊人——其预测的精度在很多情况下接近实验结构——以至于竞赛组织者宣布蛋白质折叠问题”基本解决”。DeepMind随后开源了代码，并发布了涵盖几乎所有已知蛋白质的结构数据库。
解决了什么？没解决什么？
需要澄清的是，AlphaFold解决的是”结构预测”问题——从序列预测静态结构。它并没有完全回答蛋白质如何动态折叠（折叠路径和机制），也没有揭示折叠与功能之间的全部关系。发表在FEBS Press上的2024年综述文章指出，利文索尔悖论提出的”动力学问题”——为什么折叠如此之快——仍然是一个未完全解决的难题。
此外，AlphaFold在预测内在无序蛋白（IDP）和蛋白质-蛋白质复合物结构方面仍然存在局限。许多疾病相关蛋白恰恰属于这些”棘手的”类别。
从结构到药物
AlphaFold的真正影响力在于它将蛋白质结构预测从一个瓶颈步骤变为一个快速（近乎即时）的工具。药物开发中的靶点识别、酶工程中的理性设计、合成生物学中的全新蛋白设计——所有这些领域都在被革命性地加速。2024年诺贝尔化学奖授予了DeepMind的Demis Hassabis和John Jumper（AlphaFold），以及David Baker（计算蛋白质设计），标志着这一领域的成熟。
展望：折叠之外
蛋白质的结构是理解其功能的第一步，但绝不是最后一步。下一个前沿是理解蛋白质的动态——它们如何运动、如何与其他分子互动、如何在细胞拥挤的环境中工作。AlphaFold的后继者（如AlphaFold 3）已经开始扩展到这个方向，预测蛋白质与其他分子的复合物结构。从静态快照到动态电影，这是蛋白质科学的下一章。