前言

血氧夹夹在手指上，屏幕上的数字一格一格往下滑。病历夹里有疼痛评分、既往发作、用药记录、输血记录和感染风险；血液化验提示贫血和炎症；显微镜下的血涂片里，一些红细胞不再是柔软圆盘，而被拉成长条，边缘发尖。这样的材料不能被读成某个可识别病人的故事。医生先处理眼前危险：让氧气进来，让疼痛降下来，排查感染、贫血、器官受损和其他紧急问题。科学追问则在这些警报之后继续往里走：为什么一枚本该柔软的携氧细胞，会在某些条件下变得危险？

血氧读数和血涂片都很重要，却都还不是分子结构图。血氧夹告诉人身体正在吃亏，血涂片让人看到红细胞形状异常；它们都拍不到红细胞内部的蛋白质怎样相互影响。氧气进入肺，血液带走氧，红细胞穿过很细的小血管，组织真正拿到氧，中间每一环都可能出问题。疼痛、缺氧、病历、化验和玻片放在一起，问题才开始从床边进入血液深处。

这条追问会落到血红蛋白上。血红蛋白是红细胞里负责携带氧气的蛋白质，氧在肺里被装上，在组织里被放下。蛋白质是细胞里执行许多任务的分子，能搬运、催化、识别、开关和支撑；氨基酸是组成蛋白质长链的小单位，不同顺序会让链折成不同形状。镰刀型贫血适合作为入口，并非因为它能把所有疾病都讲完；真正的原因是，它把病房后果、红细胞形状、蛋白质分子和结构判断紧紧接在一起。

这种入口还有一个好处：它能提醒人别急着把尺度分开。病房里的疼痛和缺氧发生在身体里，血涂片上的红细胞发生在细胞尺度，血红蛋白的变化发生在分子尺度，DNA 的改变又藏在更深处。科学解释要在这些尺度之间来回走，既不能只停在病房读数，也不能只盯着一个分子名词。读数、玻片、电泳条带、肽段图、结构图和模型结果，都是进入同一个问题的不同门。

二十世纪中叶，两项发现让这条路变得清楚。1949 年，Linus Pauling、Harvey Itano、S. J. Singer 和 Ibert C. Wells 在 Science 发表 Sickle Cell Anemia, a Molecular Disease。分子疾病这个说法，意思是疾病的关键差异可以追到具体分子层面。Pauling 等人把正常血红蛋白和镰刀型贫血相关血红蛋白放到电场里比较，发现两者迁移不同。条带跑得不一样，说明差别已经能在血红蛋白本身被看见，病房里的后果不再只是模糊体质或器官层面的描述。

1956 年，Vernon M. Ingram 在 Nature 发表 A Specific Chemical Difference Between the Globins of Normal Human and Sickle-Cell Anæmia Hæmoglobin，把差异进一步追到血红蛋白链上的特定化学变化。后来常见的写法会把 HbS 这处变化称为 HBB 中的 p.Glu6Val，也就是血红蛋白文献里常说的 beta-globin 第 6 位 Glu->Val；在现代转录本编号里也常见 p.Glu7Val 的写法。编号可以暂时放在一边，先记住这件事：一个氨基酸替换，足以改变血红蛋白表面的相互作用机会。

在这条路上，突变指 DNA 序列发生改变，并可能让蛋白质中的某个氨基酸跟着改变。可是一个突变重要，并不等于一个突变解释全部身体后果。镰刀型贫血的表现会受到胎儿血红蛋白比例、感染、脱水、治疗时机、遗传背景、炎症状态和长期器官状态等因素影响。相同分子起点进入不同身体、不同环境和不同医疗时间线，会走出不同强度的后果。这扇门只先打开到这里，分子到身体的链条还要顺着血涂片、条带和肽段继续拆开。

也不能把镰刀型贫血读成治疗建议。医学处理要由专业人员根据具体情况判断。这段追问只关心科学解释怎样成立：为什么一个分子差异能改变红细胞行为，为什么红细胞行为又会回到疼痛、缺氧和器官风险。一个突变像深处的倾斜面，它会让后面的许多步骤更容易朝危险方向滑动；真正走到哪一步，还要看身体环境、医疗时机和许多调节因素。

这样的读法会反复出现：一个结果可能从病房开始，也可能从数据库序列、论文图、模型结果或实验记录开始；入口不同，追问方式却相似。先问对象是什么，再问证据来自哪里；先区分读数、图像、模型和实验，再看它们能否互相支持。血氧读数有自己的边界，血涂片有自己的边界，电泳条带和肽段图也有自己的边界。把边界放清楚，后面的结构图和 AI 结果才不会显得像凭空落下来的答案。

问题很快会变得更具体：蛋白质结构为什么重要？结构指氨基酸长链在空间里折成的形状和关系，不是漂亮螺旋和箭头的装饰。一个序列变化进入空间以后，可能落在疏水核心里，让蛋白更不稳定；可能落在表面口袋里，改变小分子或药物进入的方式；可能落在两个蛋白相接的界面上，改变结合强弱；也可能落在柔性区域或活性位点附近，影响动作和功能。没有空间位置，许多“变了一个字母”的后果都还只是模糊猜测。

蛋白质的空间位置还会决定研究者下一步能问什么。若一个突变落在核心，第一轮实验可能先看表达量、可溶性和热稳定性；若它落在界面，研究者会更想看结合曲线、竞争实验和复合物结构；若它落在柔性尾巴，高低置信度、缺失片段和功能读数就要一起看。结构让问题变得可操作，却不会替人给出完整答案。它把“可能影响功能”拆成更具体的假设，让实验有地方下手。

结构图也容易带来误会。它看上去像照片，实际不是普通相机拍下来的完整生命状态。蛋白质太小、太软、太会动，人眼不能直接看见它在细胞中的每一种姿势。研究者拿到的常常是间接痕迹：晶体里的衍射斑点、溶液中的谱峰、冷冻样品里大量颗粒的投影、突变实验和功能读数。结构图是这些痕迹经过计算、判断和验证以后形成的主张。它很有用，也有边界。

这种边界并不削弱结构生物学，反而让它更可信。一个坐标模型如果诚实地写出哪些区域看不清、哪些位置缺失、哪个配体有把握、哪段柔性太强，使用者就能更好地决定它适合回答什么问题。科学图像的力量，不来自把不确定性藏起来，而来自把不确定性标出来，让后来的人知道哪里可以继续推进，哪里应该停下复核。

这种读法也适合任何一张分子图。彩色螺旋和箭头先吸引视线，真正要读的是图背后的出处：样品是不是完整，结构是实验测定还是模型预测，低分辨率或低置信区域在哪里，功能结论有没有独立实验支持。图像越漂亮，越需要知道它能回答哪类问题。一个结构可以很好地说明某个口袋的位置，却未必能解释细胞里所有动作；一个界面看起来很合适，也还要经过结合和功能读数。

传统结构解析仍是底座。X 射线晶体学是让蛋白质形成晶体，再用 X 射线衍射图推回原子排列；核磁共振是从原子核在磁场中的信号读出距离、环境和构象信息；冷冻电镜是把分子快速冻住，用电子显微镜拍下大量颗粒，再从许多图像中重建三维形状。这些方法都不是简单拍照。它们把样品留下的痕迹翻译成可复核的结构主张。

每种方法都有自己的现场感。X 射线晶体学常从结晶板开始，某个小液滴里长出晶体以后，衍射斑点才会进入计算；NMR 要面对一张挤满峰的谱图，研究者要把信号分配给分子里的位置；冷冻电镜要从许多灰白颗粒中挑出方向和质量，再把大量二维投影合成三维密度。读懂结构图，需要记住这些图不是从蛋白质里自动流出来的。它们背后有样品、仪器、算法、人工判断和反复修正。

可复核很关键。验证在科学里指用独立检查、统计指标、重复实验或其他证据确认一个结论是否可靠。一个结构能不能用，不能只看图好不好看，还要看样品怎样制备、方法是什么、分辨率到哪里、哪些片段缺失、几何关系是否合理、配体或离子是否明确、验证报告提醒了什么。结构图能帮研究者决定下一步突变哪里、截短哪一段、优先测试哪个口袋；同一张图也会告诉研究者，哪些地方暂时还不能下结论。

验证在这里更像一个动作，远不止形式上的盖章。一个模型要看能否解释已有实验，也要看能否指导新实验；一个候选蛋白要看能否表达和纯化，也要看结构、功能和稳定性是否一起过关；一个数据库条目要看坐标，还要看方法、分辨率、验证报告和修订记录。科学判断并非一次性接受或拒绝，它常常是把几个不完整读数放在一起，决定下一步最值得测什么。

这正是 PDB 的意义。PDB 是 Protein Data Bank，蛋白质数据银行；可以把它理解为全球共享的生物大分子结构档案。一个 PDB 条目不只是孤立图片，它会关联坐标、实验方法、链、配体、实验数据、验证报告和修订记录。后来的人可以下载结构，比较同源蛋白，检查缺失片段，叠合不同构象，重新评估一个口袋或界面。公共数据库把单个实验室的结果变成共同记忆，也让错误和更新有地方留下痕迹。

公共记忆会改变科学速度。若没有 PDB，结构预测模型缺少可学习的实验坐标，设计者缺少可参考的骨架、口袋和界面，后来的人也很难复查一张论文图究竟来自哪种实验。PDB 让结构图从“某篇论文里的插图”变成能被下载、比较、引用和修订的对象。开放数据库属于现代生物学能累积知识的地基之一，它让新方法不必从零开始，也让旧结论能在新问题里接受检查。

当人类开始问“能不能只从序列预测结构”时，公共评测变得同样重要。CASP 是 Critical Assessment of protein Structure Prediction，中文可以理解为蛋白质结构预测的关键评估。它的核心做法是盲测：实验结构在预测提交前没有公开，参赛团队先根据序列交出模型，再等真实结构公布后比较。CASP 的价值不只在排行榜，更在于它让结构预测必须面对隐藏答案，而不是只在已经知道答案的问题上展示本事。

盲测的意义很朴素。若方法只在已知答案上调得很好，真正遇到新蛋白时未必可靠；若它能在隐藏答案前交出接近真实结构的预测，可信度就完全不同。CASP 把这种压力制度化，让不同团队在共同规则下接受比较。后来谈 AlphaFold 时，不能只看一张结果页，也要看到它曾经进入怎样的公共评测传统。

结构预测就是根据序列、数据库和算法推测蛋白质可能折成什么形状。AlphaFold 是 Google DeepMind 开发的 AI 结构预测系统，它让许多研究者更早在屏幕上看到一个预测结构。结果页上的颜色、置信度分数和误差热图，能提示哪些区域更可靠，哪些区域可能摇摆，哪些结构域之间的相对位置还没有把握。它改变了很多项目的起点：先做哪一个构建体，先避开哪段低置信度尾巴，先测试哪个界面，都可能更早被排出来。

提前看到结构线索会改变实验室里的具体动作。原来需要先做一大批截短体，现在可能先根据低置信尾巴设计更合理的边界；原来要等实验结构出来才讨论界面，现在可能先把预测界面、保守性和突变数据放在一起；原来只能凭经验挑残基，现在可以先看它是否靠近口袋、核心或柔性环。这样的变化并不神秘，它把等待结构的时间改成了阅读结果页和安排第一轮实验的时间。

AlphaFold 没有把实验结构、功能实验和临床证据替换掉。高置信预测不等于功能机制成立；低置信区域也不等于废料，它可能提示无序、柔性、构象变化或模型暂时拿不准的关系。一个预测模型能帮人少走弯路，也能让人把屏幕上的姿势误读成细胞里的完整真实。越早看到线索，越要问它从哪里来，训练数据和输入条件是什么，适用边界在哪里，下一步要用样品、结合曲线、突变实验、功能读数或临床资料怎样验证。

置信度这个词也要小心读。它表示模型对某些位置或关系有多大把握，不等同于实验已经证明功能机制。高置信区域适合帮助人设计第一轮实验，低置信区域则常常提醒人：这里可能柔软、无序、随环境变化，或者模型缺少足够依据。好的读法不是只挑高分看，也不是把低分丢掉；更可靠的做法，是让分数帮助排序，再让实验判断哪些排序真的有用。

到 AI 这里，边界同样具体。AI 不能当万能钥匙，传统实验也没有退场。预测模型改变的是起点和排序：它把过去可能等很久才出现的结构线索提前放到结果页上。科学判断仍然要把结构图、模型分数、数据库记录、样品状态、功能读数和可复核性放在一起读。快速看到线索，会让正确的下一步更早发生，也会让误读更早发生。

误读常常很具体。把高置信核心读成完整功能机制，会忽略活性循环和细胞环境；把低置信区域当成无用片段，会错过调控、无序和结合时才形成的结构；把一个静态预测姿势当成所有构象，会遮住开关过程；把数据库条目当成孤立图片，会忘记方法和验证报告。AI 加速科学，不等于科学可以跳过复核。速度越快，记录、对照和实验边界越要跟上。

沿着预测线，PDB、CASP、DeepMind、AlphaFold、Demis Hassabis 和 John Jumper 会反复出现。它们共同指向一个问题：能不能从氨基酸序列更可靠地推测蛋白质结构？这条线从序列走向形状，从隐藏答案的盲测走向许多实验室日常打开的结果页。它不是一个单独算法的故事，背后有实验结构、公共数据库、社区评测、工程组织和长期纠错。

设计线上的另一组名字是 Baker lab、Rosetta、Rosetta Commons、Top7 和 David Baker。它们共同指向另一个问题：如果已经知道想要的形状、界面或功能，能不能反过来寻找一条会折过去的序列？这听上去像把自然写过的答案倒过来做，实际需要大量试错。计算可以提出候选，实验要回答候选是否真的折叠、是否稳定、是否能工作。

另一条线从相反方向进入。蛋白质设计指人们先设想一个形状、界面或功能，再寻找可能折成这个目标的氨基酸序列。Rosetta 是 Baker lab 和 Rosetta Commons 长期发展的蛋白建模与设计软件体系；它参与结构预测、对接、蛋白设计和许多生物大分子建模任务。David Baker 相关的设计路线，让人们从“读蛋白”走向“写候选”。Top7 这样的节点说明，人类已经可以设计出自然中原本没有的折叠，并把候选送回实验验证。

从“读”走向“写”，容易让人兴奋，也容易让人漏掉中间关口。设计模型给出一条序列时，序列还只是候选；候选订购、表达、纯化、测稳定性、测结合、测功能以后，才会一点点接近“可用蛋白”。有的候选根本不表达，有的进入沉淀，有的看似结合却没有正确功能，有的在一个体系里有效，换到另一个背景就失去表现。设计真正有力量，靠的是这些失败能返回下一轮模型和实验。

设计出序列不等于得到可用蛋白。候选序列要表达，蛋白要可溶，要能纯化，要足够稳定，要用结构验证确认是否接近设计图，还要用功能验证回答它是否真的做了该做的事。很多候选会在上清和沉淀、纯化峰、结合曲线、活性读数、细胞实验或安全边界前停下。蛋白质设计改变的是候选入口，不是把表达、纯化、稳定性、结构验证、功能验证和失败回流省掉。

于是，序列到结构、目标到序列这两种方向同时在场。前者重心在结构预测，后者重心在蛋白质设计。两条线方向不同，方法不同，历史人物和机构也不同；共同点在于，它们都依赖实验结构、公共数据库、社区评测、代码维护、失败结果和实验验证。没有这些慢材料，快模型很难获得可靠支撑。

预测线和设计线方向不同，却共享同一批慢材料。PDB 里的坐标给预测模型提供学习对象，也给设计者提供稳定骨架、界面和口袋的参考；CASP 让预测方法接受盲测压力；Rosetta Commons 这样的共同体让代码、方法和经验被更多团队维护；结构生物学实验把模型和候选带回样品；失败结果告诉下一轮应该避开什么。读蛋白和写蛋白都离不开公共数据库、社区评测、实验验证和失败后的修正。

多年以后，这两条路线会在 2024 年诺贝尔化学奖里同时被看见：一半表彰计算蛋白质设计，一半表彰蛋白质结构预测。这个节点清楚，却不是科学故事的终点，更像一个路标——具体的授奖措辞和名字，留到故事真正走到那里时再原样摆出。此刻只需记住，它提醒人们两条路线如何在同一套公共工程和实验验证中相遇。

奖项也不该把科学写成单一英雄故事。Baker 线背后有 Baker lab、Rosetta Commons、许多设计者、代码维护者、实验人员和失败候选；DeepMind 线背后有 DeepMind 团队、PDB、CASP、结构生物学实验和一整个评测共同体。2024 年的节点让两条路线被并排看见，真正托住它们的，是很多人长期把样品、坐标、代码、模型、负结果和修订记录交给共同体。

故事的范围不会停在 AI、诺奖或某一种疾病上。镰刀型贫血和血红蛋白提供的是入口：从血氧夹、病历夹和血涂片出发，人们能一路追到氨基酸、结构、相互作用和细胞行为。随后问题会扩大到结构解析、PDB、折叠难题、CASP、AlphaFold、药物口袋、蛋白设计、细胞图谱、虚拟细胞、基因组模型和责任流程。尺度会变大，判断却始终要回到同一件事：证据从哪里来，边界在哪里，下一步怎样验证。

前面的病房入口也会帮助读 AI。看到一个模型结果时，可以先问它解决的是哪一层问题：是解释病人症状，解释细胞形状，解释分子结构，还是给实验排序？不同层级之间能互相支持，却不能互相替代。血氧读数不能代替分子结构，结构模型不能代替细胞读数，模型分数不能代替临床判断。把这些边界讲清，AI 才不会被写成魔法，也不会被轻易排除在科学之外。

视野会逐渐离开病房，但不会离开病房提出的问题。一个蛋白在试管里稳定，不保证在细胞里总是同样稳定；一个突变在模型上靠近活性位点，不保证功能读数一定改变；一个药物看起来能嵌进口袋，也不保证它能穿过身体里的吸收、代谢和安全性关口；一个模型排序很清楚，也不保证训练覆盖、输入条件和实验背景都合适。分子给出重要线索，生命后果还要穿过细胞、组织、身体和社会流程。

当尺度继续扩大，蛋白质故事会进入细胞图谱、虚拟细胞和基因组模型。细胞图谱把蛋白放回不同细胞类型和状态中；虚拟细胞尝试预测扰动以后细胞状态怎样移动；基因组模型把变异和功能轨道放进更大的结果页。再往外，候选序列、平台服务和责任流程也会出现。这里先只留下一个线索：能力越早进入流程，证据、记录、复核和责任也要更早跟上。

这种扩大不会让蛋白质从书里消失。细胞图谱里的状态差异，要回到蛋白、RNA、调控和细胞环境中理解；虚拟细胞里的扰动预测，要回到实验对照和重复结果中检查；基因组模型给出的变异线索，也要回到具体细胞类型、功能读数和临床边界中分辨。越往后，模型越大，数据越多，判断越不能只看一个分数。蛋白质提供了一个训练入口：先从一个看得见的分子问题学会读证据，再把这种读法带到更大的系统里。

第一扇门仍在报告单和血涂片之间。一枚突变怎样改变分子表面，血红蛋白怎样带氧，去氧状态怎样改变分子之间的相互作用，红细胞为什么会变硬，疼痛危象又怎样回到血管和组织，都会沿着这条路继续展开。先看清这条从报告单和血涂片通向分子表面的路，后面才更容易理解蛋白质为什么值得被测量、被建模、被预测，也为什么会有人试着重新设计它们。