AlphaFold 3 之后：AI 结构生物学的现状与局限——DiffDock、Boltz 与开源复现进展

问题背景：从「算出一个结构」到「算出一整个复合物」

蛋白质要做功，几乎从不单独行动：它与 DNA 结合、与小分子药物结合、与另一个蛋白互作。因此结构生物学的终极问题不是「这条链折叠成什么形状」，而是「这些分子碰到一起会怎样」。2020 年 AlphaFold 2 在 CASP14 上把单链结构预测做到接近实验精度，2024 年诺贝尔化学奖授予了 Demis Hassabis 与 John Jumper（同为该届化学奖得主的 David Baker 获奖理由是蛋白质设计），深度学习结构预测就此从工具变成基础设施。

2024 年 5 月 8 日，Google DeepMind 与 Isomorphic Labs 在 Nature 发表 AlphaFold 3（Abramson et al., Nature vol. 630, pp. 493–500）。与只处理蛋白质的 AlphaFold 2 不同，AF3 能预测蛋白质、DNA、RNA、配体（含不少药物小分子）、离子、抗体及其化学修饰所组成的复合物结构，官方口径称其在 PoseBusters 基准上比最好的传统方法准确率高约 50%，且不需要任何结构模板输入。对蛋白质与配体的相互作用预测，这是首个「宣称超越物理方法」的 AI 系统。

现状：一个被许可证分裂出来的开源阵营

AF3 的学术冲击毋庸置疑，但它发布时只提供网页版 AlphaFold Server（每日次数受限、不可商用），代码与权重不开放，Nature 及学界当时对此有明确批评。直到 2024 年 11 月 11 日，DeepMind 才放出推理代码与权重（GitHub 仓库 google-deepmind/alphafold3）——且仅限非商业用途，权重需另行申请下载；Nature 的报道随后还专门发更正，指出此前把 AF3 称为 open source 是不准确的说法，它是 source available 而非 OSI 开源。

正是这段封闭窗口期，催生了一批开源替代：

需要说明的是，「达到或超过 AF3」一类表述目前主要来自各团队自己的预印本评测，属于论文声称，尚需独立复现检验。但方向是清楚的：在蛋白–配体这个药物发现最关心的场景，MIT 系的 DiffDock 与 Boltz 已经形成了与 AF3 完全可商用的平行选项。Boltz-2 输出结合概率与以 log10(IC50) 表示的亲和力估计，把「结构对不对」和「结合强不强」合进了同一次前向计算——这是 AF3 本身不具备的能力。

案例与争议：AF3 实测中反复出现的失败模式

EMBL-EBI 的 AlphaFold 官方培训材料（「What AlphaFold 3 struggles with」一节）给出了几条经社区实测确认的限制，比论文附录里的自述更直接：

1. 只输出单一静态构象。模型本质上预测的是 PDB 数据库式的静态快照，不捕捉溶液中的动态行为；改 MSA 与随机种子可以增加变体，但「不保证产生额外的结构状态」。
2. 选错构象状态。以 E3 泛素连接酶为例：apo（无配体）状态开放、结合配体后关闭，而 AF3 对两种状态都预测成关闭构象。对依赖构象变化做药理设计的场景，这是实质性风险。
3. 无序区域的幻觉。AF3 是生成式模型（AF2 不是），偶尔会在内在无序区域预测出虚假的结构序——典型表现为把无序区生成为 α 螺旋。这类错误通常伴随很低的 pLDDT 置信分（远低于 50），且官方称幻觉相当罕见，但用户必须依赖置信分数而非视觉直觉来判断。
4. 小分子手性错误。AF3 不总尊重小分子手性，PoseBusters 基准上手性违反率约 4.4%——比经典对接工具更高。对药物分子，手性错的「结构」可能对应完全不同的药理活性。
5. 原子重叠。偶发预测出重叠（clashing）的原子，在同源多聚体中甚至出现整条链的错误重叠。

另外，孤儿蛋白（缺乏同源序列）会因 MSA 太浅而预测失败，社区的做法是跑成百上千个种子再排序，代价是算力。这些失败模式共同指向一点：AF3 的输出是「一个置信度很高的猜测」，不是「一个可以免实验验证的事实」——湿实验验证仍然不可省略。

展望：结构之后是亲和力、动力学与闭环

截至 2026-10-07，这个领域的竞争轴线已经从「谁预测得更准」转向三件事：一是从结构走向热力学，Boltz-2 的亲和力预测只是一个开头；二是从静态走向系综与动力学，能输出多个构象状态的模型仍是空白；三是走向可商用，Boltz 的 MIT 许可与 AF3 的非商业限制形成对照，产业界用脚投票的结果已经可见——Recursion、各大药企的内部管线越来越多地跑在开源栈上。

AlphaFold 3 论文引用已接近两万次，它定义了这个领域的基准与话语体系；但真正决定 AI 结构生物学走向何方的，可能是那张许可证背后的开源阵营。

参考资料

• Accurate structure prediction of biomolecular interactions with AlphaFold 3 — Nature（Abramson et al., 2024）
• Isomorphic Labs：AlphaFold 3 predicts the structure and interactions of all of life's molecules
• Nature News：AlphaFold 3 代码发布的报道与更正（Ewen Callaway）
• Boltz 官方仓库（Boltz-1 / Boltz-2，MIT License）
• DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking（ICLR 2023）
• EMBL-EBI AlphaFold 培训课程：What AlphaFold 3 struggles with
• Protenix（字节跳动开源 AF3 复现路线）