AlphaGo 之后，DeepMind 为什么走向蛋白质

15.1一道已经被铺好的难题

把几份公开材料并排看，蛋白质结构预测会显出一种少见的形状。PDB 条目里有实验坐标、方法、链编号、构建体信息和缺失区域；序列数据库里，一条新序列周围常常能找到亲戚，BLAST 命中表和 MSA 会把家族线索摊成可比较的行和列；CASP 目标页把实验结构暂时藏起来，要求预测团队先提交模型；Rosetta / Baker 线又留下了候选、采样、打分和失败回写的记录。

这些材料共同提出一个问题：什么时候，一道生命科学难题会变得适合一支机器学习团队严肃进入？答案不在“AI 能不能聪明”这种空泛说法里。到 DeepMind 准备进入蛋白质结构预测时，前面几十年的结构生物学已经把这道题做成了有输入、有公开数据、有隐藏答案、有失败档案、也有实验共同体最终裁决的公共任务。

候选表和散点图也夹在这只文件夹里。Rosetta 的失败已经不只是某个软件的挫折，它们告诉后来者：哪些目标容易被错误低分吸引，哪些环区、结构域组合和远缘同源总会制造麻烦，哪些候选最后倒在表达、纯化或结构验证上。CASP 让这些失败有共同参照，PDB 让实验坐标可以被重新下载，序列家族让一条孤立序列周围出现统计线索。DeepMind 面对的是一块已经被许多人测量、碰撞、返工过的公共地基。

更具体地说，这些材料像一只文件夹。第一页是 PDB 条目的坐标下载和方法信息；第二页是序列家族的比对表，某些列保守，某些位置共同变化；第三页是 CASP 目标清单，目标编号、提交格式和截止时间写得很清楚，真实结构还没公开；第四页是旧赛季的复盘表，某些目标因为模板太远而偏掉，某些目标因为 domain 摆位而出错；最后夹着 Rosetta 候选表，低能量假坑和实验失败被一行行留下。机器学习团队能严肃进场，正因为这只文件夹已经能被外部复查。

文件夹合上以后，队伍可以换，裁判不能换。折叠问题已经从孤立序列走到亲戚列表、MSA、共变线索、公共考场和 Rosetta 候选表；DeepMind 带来的是另一套工程方法和更大规模的数据处理。结构预测仍要面对同一类实验坐标、同一套盲测程序和同一批被反复记录的失败类型。

这只文件夹的价值，还在于每页都能被外部检查。PDB 条目能回到坐标文件和验证信息，CASP 目标能回到发布时间和提交记录，MSA 能回到序列来源和比对选择，候选失败能回到打分表、模型叠合或实验读数。机器学习团队若想把问题做成系统工程，需要的正是这种可追踪性。没有这些公开材料，模型再复杂，也很难让共同体判断它到底学到了结构规律，还是只在少数漂亮例子里显得有用。

15.2从围棋到蛋白，类比只能走一半

AlphaGo 在 2016 年与李世石的比赛，让 DeepMind 被更多非计算机领域的人看见。围棋确实给这家公司留下了重要名片：复杂空间、长期搜索、神经网络、工程迭代，这些词听起来很容易被带到蛋白质结构预测里。可是类比走到这里就必须放慢。

围棋的规则完整写在棋盘上。棋子只能落在交叉点，胜负有清楚计算，状态可以完整记录，系统还可以通过自我对弈产生海量训练局面。每一步好坏最终都会回到一个明确结果。这样的世界适合把搜索和学习做成封闭循环。

蛋白质没有这样的棋盘。序列确实是一串字母，可它对应的实物在水、盐、膜、配体、突变、构建体和实验条件里折叠。PDB 里的一个坐标模型常常来自某个截短片段、某种样品状态或某种实验方法。CASP 的目标序列也不会把真实结构坐标提前交出来。模型输出再漂亮，最后都要和实验结构、样品记录和共同体评估碰面。

围棋还可以快速产生新棋局。一个系统今天犯错，明天可以自我对弈许多盘，把新策略放回训练循环。蛋白质结构不能这样制造答案。真实坐标要靠 X-ray、NMR、cryo-EM 等实验方法，样品要表达、纯化和验证，许多目标还会因为柔性、配体、膜环境或复合体状态变得难读。机器学习可以加快模型迭代，却不能凭空生成新的实验真值。

围棋里的错误也比较干净。一步棋输了，可以回到棋谱，看当时局面和后来胜负；蛋白质模型出错，原因往往混在多层对象里。序列家族可能太浅，实验结构可能只覆盖一个构建体，某段 loop 可能本来就柔，domain 间相对位置可能依赖配体或复合体状态。这样的错误不能只靠更多计算时间解决，它需要数据、结构知识和评估制度一起拆开。

所以，AlphaGo 的成功只能说明 DeepMind 擅长把困难问题工程化，不能说明围棋方法可以直接搬进蛋白质。围棋给出的是能力背景，蛋白质给出的是新的约束：训练材料来自实验档案，评测目标有时间边界，隐藏答案要防止事后调参，序列家族有深有浅，结构图还带着样品条件。真正吸引机器学习团队的，正是这些约束已经足够具体。

DeepMind 官方后来介绍 AlphaFold 时，也把这项工作说成跨结构生物学、物理和机器学习的协作。这个表述比“AI 进军生命科学”稳得多。进入蛋白质结构预测，需要理解什么能从序列学到，什么必须等实验坐标裁决，什么只是数据库偏向造成的幻觉。

15.3这道题为什么适合机器学习团队

机器学习喜欢可重复的输入和可检查的输出。蛋白质结构预测刚好有这样的骨架：输入可以是一条氨基酸序列，也可以加上家族序列带来的 MSA；输出可以是一组三维坐标；预测模型和实验结构之间可以用多种评估办法比较。屏幕上是一行序列和一张比对表，评估时则是一份坐标文件和一张对照表。这样的形状很珍贵，因为许多重要科学问题没有这么清楚的输入输出边界。

PDB 提供历史实验结构。它从 1971 年开始积累蛋白质、核酸和复合物的三维结构信息，由 wwPDB 维护为公开档案。对模型训练来说，这像一座坐标仓库；对科学判断来说，它又不是一堆完美答案。每个条目都来自具体实验，有方法、分辨率、构建体、缺失片段、配体状态和质量边界。机器学习团队可以从中学习结构规律，也必须防止把实验条件和数据库偏向误当成自然界全貌。

CASP 提供另一种硬度。组织者发布未知结构的序列，预测团队在截止时间前提交模型，实验坐标后来公开，独立评估再把模型和答案比较。CASP13 官方页面清楚写到，2018 年 5 月到 7 月期间发布未知结构序列，模型在 5 月到 8 月中旬收集，随后随着实验坐标可用而评估。这样的时间顺序对机器学习尤其关键，因为它把“训练时能看见什么”和“评测时不能看见什么”分开了。

序列数据库补上第三块材料。它们没有直接给出三维坐标，却给出家族历史。若一条蛋白序列有许多远近不同的亲戚，MSA 里就会出现保守列和共同变化；这些线索能提示哪些残基可能靠近，哪些位置不太能乱改。机器学习团队可以把这种家族信息做成输入特征，也可以用它判断一个目标有多少演化线索可用。线索厚，模型可能更容易抓住长程关系；线索薄，系统就必须面对更大的不确定性。

旧赛季失败记录也有用。一个平均分告诉不了团队该改哪里；目标级记录会更具体。有些目标有近似模板，模型容易借到脚手架；有些目标家族很浅，MSA 信号稀薄；有些 target 要拆成多个 domain 才能合理比较；有些 domain 内部折得还行，相对朝向却乱。失败一旦被拆成这些类别，工程迭代才有路标。

这几类材料合在一起，才让结构预测显得适合工程化推进。PDB 给历史答案，序列家族给输入线索，CASP 给隐藏答案和截止线，旧赛季失败给返工方向。单独拿出任何一页都不够。只有当输入、输出、评估和失败记录连在一起，模型团队才能把一次预测变成下一轮训练、验证和错误分析的材料。

适合机器学习并不等于容易。数据泄漏会让模型在评测前偷看到相近答案；同源模板过近会把真正预测变成近似抄写；训练集和评测目标的发布时间要严格分开；序列相似度、结构域边界、家族深度和实验条件都会改变难度。对 DeepMind 这样的团队，蛋白质结构预测的吸引力恰恰在这里：问题足够明确，可以工程化推进；边界又足够锋利，任何偷懒都会被盲测和实验坐标暴露。

还有一个吸引点来自错误的可定位性。模型若在许多浅家族目标上失败，问题可能指向演化线索不足；若在有模板目标上好、无模板目标上差，问题可能指向模板依赖；若单个 domain 内部还行、domain 之间乱，问题就会转向整体几何和拆分方式。这样的错误不必立刻解释成“模型行”或“模型不行”，它可以被整理成下一轮实验和训练要看的清单。

15.4进场之前，先整理数据边界

真正的进场动作首先落在数据表格上。PDB 条目要按发布时间整理，训练材料和评测目标要隔开；相近序列和相近结构要被标出来，避免模型在训练里见过几乎同一个答案；target 和 domain 要分清，防止把一条链的局部成功误读成整体成功；实验结构里的截短构建体、突变、融合标签、配体、缺失区域和方法差异也要进入记录。

这些动作看起来朴素，却决定模型后来学到的是什么。若训练集中混入了与评测目标过近的模板，模型可能在旧结构附近表现很好，一遇到真正陌生目标就露出空洞。若一个 PDB 条目少了一段天然柔性尾巴，模型却把它当成完整蛋白学习，后面就可能对缺失区域产生过度自信。若实验结构受到配体或晶体接触影响，坐标也要带着条件阅读。

发布时间是最直接的边界。一个模型如果要在某届 CASP 上接受盲测，训练材料就不能包含后来才公开的目标结构；若某个结构条目发布时间太接近评测目标，还要追问它是不是同源模板、同一蛋白家族或同一实验对象的近亲。时间戳、序列相似度和结构相似度看起来像档案管理，实际上是在保护评估的可信度。

MSA 也需要整理。一个序列家族如果亲戚很多，残基之间的共同变化可以提供密集线索；家族很浅，统计信号就会少得多。比对错位、重复结构域、低复杂度片段和远缘同源会让线索变脏。工程团队要决定哪些序列留下，哪些列要降权，哪些家族信息不足以支撑强判断。这些选择会进入模型输入，也会影响后面错误怎样被解释。

旧方法的失败记录同样要变成可用材料。Rosetta 候选表里那些假低能量、采样不足、环区偏移和实验失败，CASP 旧赛季里那些弱模板、自由建模、多 domain 和低信息家族问题，都可以转成训练、验证和复盘时要看的类别。表格中的一列“家族深度”、一列“发布时间”、一列“结构域边界”、一列“是否有近模板”，比口号更能决定工程是否可靠。

还有一类边界来自实验对象本身。同一个天然蛋白，在 PDB 里可能只留下一个结构域，也可能带着突变、融合标签或配体；有些坐标缺了柔性末端，有些结构来自晶体堆叠环境，有些样品只代表一个构象状态。若模型把这些记录当成无条件真相，训练就会学到混杂信号。对数据团队来说，清理这些注释和缺口，就是在告诉模型哪些坐标能作为强参照，哪些只能带着条件使用。

这样整理以后，模型输出才有被追问的资格。一个预测坐标如果靠近实验结构，要问它是不是借了太近的模板；如果偏离，要问是 MSA 太浅、domain 拆分不清、构建体边界不同，还是模型真的没有学到长程关系。数据边界不是收尾工作，它是进入这道题的门槛。

这种门槛也会影响结果怎样被读。一个模型在历史测试集上表现很好，如果测试集里充满近亲结构，结论就很有限；一个模型在旧 CASP 目标上进步明显，如果那些目标已经被反复研究，也还需要新的盲测。数据边界越清楚，成功和失败才越能被共同体相信。DeepMind 进入蛋白质时，真正要整理的是一套能承受外部追问的训练、验证和公开评测关系。

15.5团队工程，不靠单一英雄

公开资料里会出现 Demis Hassabis、John Jumper、Andrew Senior 等名字。名字重要，但只盯几个人名，会漏掉更关键的结构：这条线需要机器学习、结构生物学、软件工程、数据处理和 CASP 评估一起工作。模型的人要关心训练目标、验证集、模型迭代和计算资源；结构的人会追问缺失片段、模板泄漏、构建体边界、配体状态、晶体接触、膜环境和功能解释。

两边的语言并不天然相同。机器学习表格里的验证误差下降，不一定说明实验室能马上相信某个环区；结构图里一个局部偏移，也不一定代表整套模型没有价值。真正有用的沟通，会把问题落到对象上：这条序列的 MSA 有多深，最近模板距离评测时间有多近，target 是否被拆成多个 domain，实验坐标缺了哪些区域，预测图能不能改变构建体或突变优先级。

软件工程在中间承担另一种责任。一个模型不是一篇公式写完就能参加 CASP，它要能稳定读取序列和比对，记录版本，追踪训练数据，保存预测坐标，并让复盘者知道某个结果来自哪一套参数、哪一批输入和哪一次提交。若一次改动让平均分变好，却让某类浅家族目标变差，系统也要能把这种变化留下。长期工程化难题靠反复迭代前进，每一轮都要可重复、可追踪、可比较。

这种团队工程也保护了科学边界。训练数据来自人类已经能解析、愿意提交、适合某些实验条件的蛋白，本身带有偏向；膜蛋白、无序区域、多构象状态和复合体对象长期更难；一个静态坐标模型，也不能直接证明蛋白在细胞里的功能过程。AI 团队可以把模型推进很远，最终判断仍要回到实验坐标、样品读数和共同体评估。

Baker / Rosetta 线在这里没有退场。它提供的是另一种提醒：计算候选必须经受失败分类和实验回写，分数不能替代样品。DeepMind 线接过的是一种已经被公共数据和公共评测塑形的研究方式，而不只是“软件更强”的口号。新模型若想改变共同体的预期，也要先进入同一套隐藏答案和公开复盘的程序。

这种写法也能避开单一英雄叙事。DeepMind 当然是这条线的重要主角，可它进场时已经有 PDB 的公共档案、CASP 的盲测制度、序列数据库的家族线索和 Rosetta / Baker 线的失败回写经验。共同体先把难题塑造成可训练、可评估、可复盘的形状，机器学习团队才有可能把它接成长期工程。

跨学科协作还会改变“好结果”的定义。模型团队可能先看整体误差和平均指标，结构生物学家会继续追问局部口袋、构建体边界、寡聚状态和功能相关区域。一个预测整体接近实验结构，关键界面却偏了，实验排序仍要谨慎；一个模型总分普通，核心折叠或某个保守位点附近却可信，仍可能给突变设计提供线索。团队工程的价值在于让这些判断同时出现，而不是让一个分数替代所有问题。

15.6第一张答卷交给 CASP13

当 PDB 条目、序列家族、MSA、CASP 目标页、旧赛季失败记录和 Rosetta 候选表都被整理进同一套工作流，问题才真正交到 DeepMind 手里。此时最重要的判断还没有发生。模型可以在历史数据上调试，可以在旧目标上复盘，也可以在内部验证集上改进；共同体要看的，是它第一次面对新的公开目标、截止时间和后来才揭晓的实验坐标时，会留下什么信号。

这个信号不能提前用宣传图替代。CASP13 的价值就在于程序已经摆好：目标序列先出现，真实结构暂时看不见，预测模型必须按时提交，实验坐标公开后再统一比较。只有到了那一步，DeepMind 的工程能力才会从内部改进变成公共判断。

回到开头那组材料，它们的意义已经变了。PDB 坐标不只是训练仓库，也是最终核对的参照；序列家族不只是输入线索，也会暴露家族深浅带来的难度差；CASP 目标页不只是参赛入口，而是防止事后解释的时间边界；Rosetta 和旧赛季失败不只是历史背景，而是后来者必须跨过的坑。

这也解释了为什么第一张答卷要交给 CASP13，而不是交给公司演示页或几个漂亮案例。漂亮案例可以展示潜力，却很容易绕开困难目标；内部验证可以帮助调试，却很难让外部共同体知道时间边界是否干净。CASP13 把模型推到统一目标、统一截止和实验坐标面前，才会让“能不能泛化到新目标”变成公共问题。

DeepMind 走向蛋白质，因此不是 AI 突然闯入生命科学。更准确地说，一支机器学习团队遇到了一道已经被结构生物学、公共数据库、序列方法、CASP 和 Rosetta / Baker 线共同塑造成形的长期难题。第一份真正的公共答卷，会被交给 CASP13。它发出了什么信号，就留给后面的排名页、目标编号和实验坐标来回答。