AlphaFold 是一个由DeepMind开发的深度学习系统，能够根据氨基酸序列预测蛋白质的三维结构。预测一条线性氨基酸链如何折叠成决定蛋白质生物学功能的复杂三维形状，曾是结构生物学中约五十年来未解决的开放问题，即蛋白质折叠问题，因为通过X射线晶体学或冷冻电子显微镜等方法实验测定结构既缓慢又昂贵。
CASP14与2020年的突破
AlphaFold的第二个版本AlphaFold2在2020年蛋白质结构预测关键评估竞赛（简称CASP14）中取得了成果，组织者和独立结构生物学家将其描述为有效解决了大多数蛋白质的蛋白质折叠问题。CASP是一项两年一度的盲测竞赛，研究团队预测那些真实结构已被实验测定但尚未公布的蛋白质结构，使组织者能够根据未公开的真实数据对预测进行评分。AlphaFold2对大多数目标蛋白质实现了与实验方法分辨率相当的中位准确度分数，这一准确度水平是任何先前计算方法都未曾接近的，CASP自身的评估人员和外部生物学家称其为该领域的变革性成果。
架构
AlphaFold2使用了基于Transformer (architecture)的架构，包含一个名为Evoformer的组件，该组件同时处理氨基酸序列和从多序列比对中提取的进化信息（即跨物种的相关蛋白质序列），并结合几何约束，迭代优化预测结构。DeepMind于2021年发布了AlphaFold2模型架构和代码，并通过免费访问的AlphaFold蛋白质结构数据库（AlphaFold DB）发布了UniProt数据库中几乎所有已知序列蛋白质的预测结构，该数据库是与欧洲生物信息学研究所的联合项目，最终覆盖超过2亿个蛋白质结构。
影响与诺贝尔奖
AlphaFold对代码和预测结构的开放发布被广泛认为加速了结构生物学、药物发现和酶设计领域的研究，因为此前需要数月实验工作或无法使用结构测定设施的研究人员，现在可以在几分钟内获得高置信度的预测结构。2024年，DeepMind联合创始人Demis Hassabis和AlphaFold首席研究员John Jumper因开发AlphaFold而分享了诺贝尔化学奖的一半，另一半授予David Baker，以表彰其独立的计算蛋白质设计工作；该奖项被广泛报道为对人工智能直接贡献于诺贝尔级科学成就的标志性认可。DeepMind随后于2024年发布了AlphaFold3，将预测能力从单一蛋白质扩展到蛋白质与DNA、RNA及小分子配体之间的相互作用，这对药物发现尤为重要。
反响与局限性
AlphaFold被广泛认为是深度学习在语言和视觉之外最显著的应用成功之一，常与AlphaGo并列引用，作为DeepMind研究策略的证据，即应用强化学习和深度学习方法解决具有明确评估标准的严谨科学问题。研究人员指出了其局限性，包括对缺乏单一稳定结构的固有无序蛋白质以及预测蛋白质动态形状变化或活细胞内相互作用方面的可靠性较低，这些领域在AlphaFold3发布后仍是活跃的研究方向。