AlphaFold 1 是一个由DeepMind开发的深度学习系统，在2018年赢得了第13届蛋白质结构预测关键评估（CASP13）竞赛。该系统证明了人工智能能够以空前的准确性从氨基酸序列预测蛋白质的三维结构，标志着计算生物学的一个重要里程碑。其在CASP13上的成功为更先进的AlphaFold 2奠定了基础，后者在2020年达到了接近实验水平的准确性。
蛋白质结构预测是生物学中的一个基本问题，因为蛋白质的功能在很大程度上由其三维形状决定。在AlphaFold之前，计算方法在准确预测结构方面面临困难，通常依赖于需要已知同源结构的模板建模。AlphaFold 1的方法结合了机器学习与进化信息，利用多序列比对和共进化信号来推断氨基酸之间的空间约束。
架构与方法
AlphaFold 1的架构基于一个神经网络，该网络处理从多序列比对中提取的输入特征。系统使用了卷积和残差网络组件的组合，类似于残差网络中的结构，来预测氨基酸残基之间的成对距离。这些距离预测随后被用于构建一个势能景观，并通过梯度下降进行最小化，以生成最终的三维结构。
该系统引入了一种处理进化信息的新方法。通过分析同源蛋白质序列中的共进化模式，AlphaFold 1能够识别在折叠结构中可能紧密接触的残基。这些信息作为额外的输入特征被输入到神经网络中，显著提高了预测准确性。训练过程使用了来自蛋白质数据银行的大量已知蛋白质结构数据集，并采用数据增强技术来改善泛化能力。
CASP13表现
在2018年举行的CASP13上，AlphaFold 1在最困难的目标上实现了约68分（满分100分）的中位全局距离测试（GDT）分数，相比之前通常低于60分的最佳方法有显著提升。对于最具挑战性的自由建模目标，AlphaFold 1以较大优势超越了所有其他参赛组。该竞赛吸引了来自世界各地的98个小组，AlphaFold 1总体排名第一。
一个显著的成就是AlphaFold 1在没有已知同源结构的目标上的表现，而传统的模板建模方法在这些情况下会失败。该系统证明了深度学习可以直接从序列数据中提取结构信息，即使在缺乏进化模板的情况下也是如此。这一成功在膜蛋白和其他此前难以用计算方法处理的目标上尤为突出。
影响与反响
科学界对AlphaFold 1的结果给予了相当大的关注。CASP13的组织者指出，该系统的表现代表了该领域的重大进展，但他们也提醒说，预测尚未达到实验准确性。这一成功激励了其他研究团队采用类似的深度学习方法，推动了蛋白质结构预测领域的快速进步。
在CASP13之后，DeepMind继续开发该系统，融入了注意力机制和更复杂的训练策略等新想法。从AlphaFold 1中获得的经验直接影响了AlphaFold 2的设计，后者在2020年的CASP14中获得了接近实验水平的准确性。2018年的结果也帮助确立了DeepMind在将深度学习应用于科学问题方面的领先地位，继其在围棋和国际象棋等游戏中的早期成功之后。
遗产
AlphaFold 1在CASP13上的成功证明了深度学习能够解决数十年来传统计算方法难以攻克的复杂科学问题。该系统将进化信息与神经网络相结合的方法成为该领域的标准技术，影响了许多后续的蛋白质结构预测工具。2019年AlphaFold 1代码的开源发布使其他研究人员能够在其方法基础上进行构建，加速了该领域的创新。
2018年的成就也对人工智能在生物学中的应用产生了更广泛的影响。它表明，AI系统可以从大型数据集中学习对物理系统的预测，而无需显式编程物理定律。这一原理此后已被应用于分子生物学的其他问题，包括蛋白质设计和药物发现。AlphaFold 1仍然是机器学习如何改变科学研究的标志性例子。