2024 年诺贝尔化学奖授予 David Baker 和 DeepMind 的 Demis Hassabis、John M. Jumper，表彰他们在计算蛋白质设计和结构预测方面的突破性工作。AlphaFold2 是由 Hassabis 和 Jumper 领导开发的 AI 模型，能准确预测蛋白质的三维结构，大幅加速了科学家对蛋白质功能和疾病机制的研究。

自推出以来，AlphaFold2 已被全球 190 个国家的科学家广泛应用，推动了抗生素耐药性和塑料分解酶等领域的研究进展。

瑞典皇家科学院决定将 2024 年诺贝尔化学奖一半授予 David Baker，“奖励计算蛋白质设计”，另一半共同奖励 Demis Hassabis 和 John M. Jumper，奖励“蛋白质结构预测”。

2020 年，Hassabis 和 Jumper 提出了一种名为 AlphaFold2 的 AI 模型。在它的帮助下，他们已经能够预测研究人员已识别的几乎所有 2 亿种蛋白质的结构。自取得突破以来，AlphaFold2 已被来自 190 个国家的超过 200 万人使用。在众多的科学应用中，研究人员现在可以更好地了解抗生素耐药性并创建可以分解塑料的酶的图像。

AlphaFold2 如何工作

想象一下，你的任务是将桌子上凌乱的数百块乐高拼成一个有特定功能的物体，但你不知道它最终的形状。完成这样的任务，可能让人感觉几乎不可能。而这正是生物学家面临的挑战：他们需要根据蛋白质的氨基酸序列预测其复杂的三维结构。

AlphaFold2 的诞生改变了这一局面。它通过利用大量已知的蛋白质数据，并通过深度学习算法进行训练，能够从氨基酸序列中高效预测蛋白质的三维结构。与传统的实验方法相比，AlphaFold2 的预测速度极快，并且能够在难以通过实验分析的蛋白质上取得突破性进展。

简而言之，AlphaFold2 通过结合先进的 AI 技术，解决了过去几十年困扰科学家的难题，为理解生命的基本机制带来了巨大进步。未来，它还有可能进一步解锁遗传变异、药物设计等领域的谜团。

AlphaFold2是一种人工智能模型，用来预测蛋白质的三维结构。虽然背后的原理比较复杂，但可以用一个简单的流程来解释：

输入氨基酸序列 想象你有一串氨基酸的“字母表”，但你不知道它折叠成什么样的形状。你把这串氨基酸序列输入到AlphaFold2中。

数据库搜索 AlphaFold2会去查找已知的氨基酸序列，看看有没有跟你的序列相似的。这就像是查阅一个“百科全书”，看看有没有相同或相似的例子。

序列分析 系统会对这些找到的相似序列进行分析，研究这些氨基酸序列是如何进化的，以及哪些部分在进化过程中保持不变。这是因为保持不变的部分往往对蛋白质的功能至关重要。

预测氨基酸相互作用 接着，AlphaFold2会预测这些氨基酸在三维空间中是如何相互吸引或排斥的。比如，带正电的氨基酸会吸引带负电的，疏水的氨基酸则会排斥水分，这些相互作用会影响它们的最终折叠方式。

生成距离图 基于这些相互作用，AlphaFold2生成一个“距离地图”，预测氨基酸在三维空间中的相对距离。这就像是标出各个点（氨基酸）之间的距离，从而能推测出蛋白质的大致形状。

AI优化 AlphaFold2用神经网络（AI模型）反复进行计算和优化，模拟出不同的折叠方式，直到找到最有可能的折叠结构。这些AI算法的优势在于它们能够从复杂的数据中发现潜在的规律。

最终结构 经过几轮的优化，AlphaFold2会生成一个最终的蛋白质结构，这个结构展示了氨基酸在三维空间中的排列方式。AI还会为每个部分打分，告诉你它对这个结构的预测有多大信心。

 通俗点来说，AlphaFold2就像一个非常聪明的“折纸专家”，通过理解每个氨基酸的特性和相互作用，来预测它们会如何折叠成一个三维结构。这些预测有助于科学家们更好地理解蛋白质的功能。