AlphaFold 3复合物结构预测模型

AlphaFold 3（AF3）是面向生物分子复合物的结构预测模型。它将蛋白质、核酸、小分子、离子及修饰残基等多类实体纳入同一预测框架，输出复合物的原子坐标。其关键变化是以扩散模块直接生成原子位置；因此，AF3的解释范围不再局限于蛋白质单体折叠。不过，模型输出仍是结构假设，精度随任务和靶标而异。

AF3的输入可描述由多种生物分子组成的复合物，模型据此预测共同的三维结构。原论文将其与针对特定相互作用类型的专用方法比较，并在若干测试类别中报告更高准确度；论文同时写明并非所有类别都占优。结果来自论文所定义的数据集、过滤条件、采样数量和评估指标，不能直接外推到任意分子系统、实验条件或所有目标。

这一定位有别于把模型只看作蛋白质单链折叠器：AF3面向复合物内不同类型分子的协同排布。与AlphaFold 2（AF2）相比，它保留了大规模表征网络的总体思路，但修改了网络主干和结构生成方式。这里的区分是技术架构与预测范围，不表示AF2不能预测蛋白相互作用；原论文明确将AF2及其多聚体版本作为相关前作与比较对象。

在网络主干中，AF3弱化了多序列比对（MSA）的处理，并以Pairformer取代AF2中占主导的Evoformer。主干整合输入与配对关系表示后，将信息交给扩散结构模块。该模块直接处理原子坐标，而不是沿用AF2结构模块使用的氨基酸残基局部框架和侧链扭转角表示。

扩散训练让模型从加入噪声的原子位置中学习恢复结构。较高噪声对应整体尺度的构象信息，较低噪声有助于刻画局部结构；推理时，模型从随机噪声开始，反复去噪，生成候选结构。论文将这一训练方式描述为生成式过程，因此模型可产生一组可能答案，而不是只沿单一路径修正一个初始结构。

这种全原子生成设计让同一模块能够处理较广泛的化学组分，减少对特定分子类型的专门处理。AF2则采用不同的结构模块，并曾使用立体化学违规损失来约束结果。两者都依赖神经网络从训练结构中学习，模型设计上的变化本身并不能保证每个输出都符合实验观察或化学约束。

AF3为预测提供原子级及成对误差相关的置信度信息，包括pLDDT、预测对齐误差（PAE）和距离误差矩阵（PDE）。这些指标用于估计模型对预测结构不同部分的把握，帮助研究者识别需进一步检查的区域；它们不是实验测量值，也不等于某个分子结合或功能结论已被验证。

多样本生成后的排序会影响最终选出的结构；复述结果时应同时交代基准、采样和筛选背景。

在论文描述的推理流程中，模型接收结构化分子输入：可由已有的PDB/mmCIF结构记录构建，也可用链序列、化学组分编号（CCD）或小分子的SMILES描述组成。送入预测器的结构输入不保留目标原子坐标；特征则包含链和token标识、参考构象、可用的序列比对或模板信息，以及聚合物与配体之间、配体内部的键连接。因而，模型是在实体身份、序列关系和化学连接等条件下推断原子位置。

AF3把连续聚合物和小分子映射到统一的token序列，但token所代表的范围会因实体类型而异：标准氨基酸残基和标准核苷酸各占一个token，修饰残基和配体则采取原子级编码；架构说明将其他分子的token概括为按重原子划分。对标准氨基酸，代表原子取Cα；对标准核苷酸，取C1′。这些中心原子便于建立token间的位置和关系特征。模型另有全原子表示，因此一个残基的主干层级表示并不意味着最后只预测该残基的一个位置。

补充方法还说明，模型会把结构展开为原子列表，并在有限的序列邻域内进行原子注意力，使原子层面的局部排列信息能独立于较粗的token关系进入网络。token帮助模型组织链内和链间关系，原子级表示则承载配体、修饰基团及残基内部的具体坐标；两种粒度在后续网络中相互衔接。

输入嵌入形成单体表示和成对表示。MSA与模板等可用特征先更新这些表示，Pairformer再反复处理token之间的配对关系，并把配对信息用于调节单体表示。AF3论文把这部分称为条件网络；它多次循环后形成对各实体及其可能相互作用的上下文编码。扩散模块接收这些上下文，因此生成坐标的步骤受到序列、化学组成和相对关系共同约束。

具体而言，去噪器从主干的单体表示初始化内部状态，以自适应归一化方式注入单体条件，并用成对表示调整注意力偏置。它在原子、token、原子三个层级间传递信息，预测如何修正带噪重原子坐标。推理时使用随机坐标噪声，经多个去噪步骤逐渐形成一个完整候选结构；重新抽取噪声或种子可得到不同候选。生成样本反映模型在给定输入和采样条件下的可能输出，不是独立实验重复。

pLDDT是逐原子输出的局部结构置信度估计，训练目标是预测一种LDDT：依据该原子与邻近蛋白质或核酸聚合物原子之间的距离关系评分；对于配体原子，论文的定义不计入配体内部原子之间的距离。它适合查看模型对局部结构关系是否有把握。PAE则是token对之间的预测对齐误差：可理解为先按一个token的局部参考框架对齐，再估计另一个token的位置误差。对多链复合物而言，PAE可帮助查看链间或结构域之间的相对摆放是否可靠。

PDE另从两token代表原子之间的绝对距离误差出发，反映模型对成对距离偏差的估计。三种数值描述的尺度不同，不能互相替代：较高的局部pLDDT不自动说明复合物界面或不同链的相对位置也可靠；相反，跨链PAE或PDE偏高时，应把局部折叠判断和整体装配判断分开。它们都是模型预测的误差或置信度量，不是实验测得的误差、结合强度或功能概率，宜结合结构区域、实体类型和具体任务阅读。

原论文的常见结构评估为每个目标生成五个模型种子、每个种子五个扩散样本，共25个候选，再按置信度或相应任务指标选择排名靠前的样本；抗体—抗原比较则增加到每个模型1,000个种子。这说明公开比较依赖采样预算和排序规则。复述一项结果时，需要保留它属于何种任务、样本集、筛选条件和选样方式，不能只摘取“最佳结构”的分数。

评估指标也随任务变化：配体姿势可用口袋对齐的均方根偏差，核酸相关任务会考察核酸本身或跨链接口的LDDT，蛋白质界面另有DockQ等指标。它们分别度量不同层面的相似程度，数值并非一把通用尺。论文测试集经过时间、同源性、长度或任务适用性等筛选；某一组基准中的优势说明模型在该测试定义下表现较好，不能保证对未测类型、不同实验状态或任意新目标都有同等准确度。

原论文在多个基准上报告了AF3对配体、核酸及蛋白质相互作用等结构预测任务的改进，但也披露了残余错误。PoseBusters评估中，尽管排序采用了手性惩罚，模型仍出现4.4%的手性违规。另一项独立问题是原子碰撞：排序时加入碰撞惩罚能够减少原子重叠，却未完全消除这类问题。4.4%只描述论文所用PoseBusters评估设置中的手性违规比例，不代表任意应用中的通用错误率。

生成式模型还可能在本来无序的区域生成看似有序的结构。论文使用交叉蒸馏等方法减轻这一现象，但没有声称可以彻底避免。另一项根本限制是输出结构通常是类似蛋白质数据库（PDB）中的静态构象；改变随机种子并不能近似分子在溶液中的动态构象集合。静态预测不能单独回答构象变化、动力学过程或条件依赖性等问题。

因此，AF3适合作为形成结构假设、比较可能构象和辅助提出实验问题的计算工具。其论文基准结果不替代对具体目标的实验检验，也不构成医疗或临床建议；结构、结合状态和功能解释仍需结合适当的实验与领域证据评估。

• Abramson J. 等，〈Accurate structure prediction of biomolecular interactions with AlphaFold 3〉，《Nature》630卷，493–500页（2024）。https://www.nature.com/articles/s41586-024-07487-w
• Abramson J. 等，〈Accurate structure prediction of biomolecular interactions with AlphaFold 3 — Supplementary information〉，DOI：10.1038/s41586-024-07487-w（2024）。https://media.springernature.com/original/springer-static/esm/art%3A10.1038%2Fs41586-024-07487-w/MediaObjects/41586_2024_7487_MOESM1_ESM.pdf