在AlphaFold2横空出世五年后，诺奖得主、DeepMind科学家John Jumper回顾了这一突破带来的深远影响。2017年，他加入DeepMind，三年后与Demis Hassabis共同开发出AlphaFold2，首次以接近原子精度预测蛋白质三维结构，彻底改变了生命科学领域。2024年，他与Hassabis因这一成就共同获得诺贝尔化学奖。 如今，AlphaFold已进化为AlphaFold3，不仅能预测蛋白质结构，还能预测蛋白质与DNA、RNA、配体等分子的相互作用。DeepMind已将该系统应用于UniProt数据库，预测了约2亿种蛋白质结构，覆盖科学界已知的绝大多数蛋白。 Jumper强调，尽管成果巨大，AlphaFold仍是一个预测工具，其结果需谨慎解读。“它不是真相，而是基于数据的推断。”他指出，科研人员正以高度负责任的方式使用它——既不盲目信任，也不低估其价值。 令人惊喜的是，AlphaFold被广泛用于“超出设计初衷”的场景。例如，华盛顿大学的David Baker团队利用其加速合成蛋白设计；有研究者用它在2000种精子表面蛋白中快速锁定与卵子结合的关键蛋白，实验验证成功，效率远超传统方法。 然而，局限依然存在。当涉及多蛋白复合体或蛋白与小分子的动态相互作用时，预测准确度下降。加州大学旧金山分校的Kliment Verba表示，AlphaFold像“高级版ChatGPT”——表达自信，但真假难辨。因此，它更多用于“虚拟筛选”，指导真实实验，极大提升研发效率。 当前，许多团队正基于AlphaFold开发更聚焦药物发现的模型。MIT与Recursion合作推出的Boltz-2可预测药物-靶点结合效果；初创公司Genesis Molecular AI的Pearl模型则支持交互式输入，提升预测针对性。 Jumper对新药研发持理性态度：“结构预测只是第一步。我们不是只差一个结构就能治愈疾病。”但他相信，这把“强力锤子”应被用于敲更多“钉子”。 未来，他计划将AlphaFold的精准结构预测能力与大语言模型的推理与理解能力结合。他暗示，类似AlphaEvolve的系统——LLM生成假设，AI模型验证——可能成为科学发现的新范式。他坦言：“我不愿追求下一个诺奖。真正的科学，是从小想法开始，沿着线索慢慢推进。”