一串由 A、G、L、V、K 组成的字母，最后会在空间里变成什么形状？
对蛋白质研究来说，这不是看图识物。真正起作用的往往不是这串字符本身，而是氨基酸链折叠之后的三维结构：α 螺旋、β 折叠、结构域，以及它们和其他分子接触的界面。
实验上，这件事依赖 X 射线晶体学、核磁共振或冷冻电镜。AI 没有取消这些方法，但把另一条路走通了：从序列出发，计算模型可以给出许多蛋白质可能形成的结构。Google DeepMind 的 AlphaFold 是其中最有代表性的系统；它和欧洲生物信息研究所 EMBL-EBI 共建的 AlphaFold 蛋白质结构数据库，目前公开了超过 2.6 亿条预测模型。核心版本 v6 与蛋白质序列库 UniProt 2025_03 同步后，也已经超过 2.41 亿条。
结构预测因此成为 AI for Science 里最容易被看见的一项能力。对真正写论文的人来说，屏幕上出现一个彩色三维模型，并不是研究结束。
结构哪些地方可信？预测结果该怎么表述？怎样和实验、文献放在一起？最后又如何准确写进 Methods 和 Results？
科研写作工作台 Textira 把蛋白质结构预测放进科研工作流时，要解决的是后面这些问题。它调用的是专业结构模型，并不自己另做一套 AlphaFold。
从一条 FASTA 开始
结构预测的输入通常很朴素。最常见的是氨基酸序列，例如绿色荧光蛋白 GFP（UniProt 编号 P42212）的开头：
sp|P42212|GFP_AEQVI Green fluorescent protein MSKGEELFTGVVPILVELDGDVNGHKFSVSGEGEGDATYGKLTLKFICTTGKLPVPWPTLV…
第一行是标识，下面是 20 种标准氨基酸的单字母代码。对研究者来说，这是一维信息。蛋白质却生活在三维里：残基之间形成氢键、疏水堆积、盐桥和二硫键，整条链折叠成相对稳定、有时也会摆动的空间结构。
所以问题可以写成一句很硬的话：
已知残基顺序，能不能推断它们在三维空间中的相对位置？
早期方法依赖同源模板、能量函数和大量人工规则。深度学习之后，模型开始从海量已知序列和结构里学习这些关系。AlphaFold 2 把多序列比对里的进化信息、残基之间的约束，以及结构模块给出的坐标放进同一套计算里；AlphaFold 3 进一步把核酸、配体和离子等更复杂的体系纳入预测范围。无论哪一代，最后落到研究者手里的，仍然是坐标文件，外加一组必须一起看的置信度。
Textira 在这条链上做什么
传统做法里，结构预测是一段被切开的工序。
准备 FASTA，到预测服务器提交任务；下载结构文件，用 PyMOL 或 Chimera 打开；检查置信度、截图；再换到文献管理和论文编辑器里解释结果。数字、图、模型版本和正文，常常不在同一个地方。
Textira 的基本单位是一项 Research，不是一次聊天。结构预测如果要进入这项研究，合理的位置是：实验与分析负责把序列、模型和结果留下；文献检索负责对照已有结构与功能报道；论文写作负责让 Methods 和 Results 写回这次运行，而不是事后凭印象补一段“我们使用了 AI”。
需要说清楚的是职责边界。
结构预测本身由 AlphaFold、AlphaFold Server、ColabFold 这类专业模型完成。Textira 承担的是工作流：检查输入是不是合法氨基酸序列、这次任务是单体还是更复杂的分子关系、调用哪一个模型、把结构文件和置信度留在同一项研究里，并在后续写作中不被说成实验测定。
如果产品停在“生成一个 PDB 文件”，它和单独跑一次结构预测没有本质区别。
好看不等于能用：先看 pLDDT
AI 可以画出一个看起来完整的蛋白质。视觉完整不等于科学正确。
在 AlphaFold 体系里，pLDDT（predicted Local Distance Difference Test）是每个残基的局部置信度，范围 0 到 100。AlphaFold 数据库的经验规则是：
pLDDT 大于 90：很高。骨架和侧链往往都比较可靠，适合讨论结合位点一类需要局部精度的问题。
pLDDT 70 到 90：较有把握。骨架大体可信，部分侧链可能不准。
pLDDT 50 到 70：低。要谨慎，不能当作精细结构。
pLDDT 小于 50：很低。三维坐标常呈飘带状，不应解释成有序结构；这类分数也常与内在无序有关。
同一条蛋白质不能用“预测成功 / 失败”概括。更准确的说法是：模型在哪些残基上比较确定，在哪些残基上不确定。
下面两张图都来自 AlphaFold 数据库的公开模型，不是示意曲线。GFP 几乎全程很高：238 个残基里约 93% 的 pLDDT 大于 90，均值 96.6。人源 p53 就完全不是这样。它的 DNA 结合结构域和四聚化结构域可以很高，N 端、连接区和 C 端则大段低于 50。393 个残基里，有 117 个落在“很低”这一档。
低 pLDDT 有两类常见原因。一种是这段序列在生理条件下本来就柔、本来就无序，不存在单一确定结构；另一种是结构也许存在，但模型没有足够信息。两种情况看起来都像“模型没把握”，科学含义却不同。EMBL-EBI 的 AlphaFold 教程还提醒过一个容易误判的例子：蛋白质 4E-BP2（UniProt 编号 Q13542）会被预测成置信度不低的螺旋，而这个螺旋更接近它结合伴侣之后的状态，并不代表游离蛋白在细胞里一直这样折着。
把 p53 的碳α轨迹按同样规则上色，核心是一团深蓝，两端是橙色飘带。飘带被画出来了，不等于细胞里的 p53 真的长成这条固定曲线。
结构域各自可信，并不等于整体摆对：再看 PAE
pLDDT 看的是局部。要问两个结构域之间的相对位置可不可信，需要另一张图：PAE（Predicted Aligned Error，预测对齐误差）。
PAE 是残基对之间的矩阵。格子越绿，表示如果把结构在其中一个残基上对齐，另一个残基的预期位置误差越小；越红，表示相对位置越不确定。数据库把这类误差截断在约 31.75 埃。
人源钙调蛋白-1（UniProt 编号 P0DP23）是教科书式的双叶蛋白。两个叶内部的 pLDDT 都可以到 90 附近，但两叶之间怎么转、中间那截螺旋在没有钙离子时会不会松开，并不是 pLDDT 能回答的问题。它的 PAE 图把这件事画得很直白：对角线上两块绿色，是结构域内部；反对角线上大片偏红，是两叶之间的相对姿态。
因此，一次可以进入研究记录的结构预测，至少应同时留下：输入序列和标识；模型或数据库条目、版本；结构文件；逐残基 pLDDT；PAE（以及复合物场景下的界面置信度）；后续分析究竟用了结构的哪一部分。
少显示几个指标，后面的论文表述就会开始漂。
最容易写错的，是把预测写成事实
语言模型很会解释结构。给它一个 PDB，它可以很快写出：某段可能是稳定螺旋，某个结构域可能负责结合，某个残基可能位于功能位点。问题不在词汇是否专业，而在“可能”和“已经证明”之间的距离。
AlphaFold 数据库自己写过一句必须听进去的话：这些分数表示的是模型对氨基酸链三维排布的信心，不是对预测模型生物学正确性的信心。
2023 年《Nature Methods》的一项工作把预测结构直接对照实验密度图，标题就是结论：AlphaFold 预测是有价值的假说，能加速研究，但不能替代实验结构测定。即使 pLDDT 大于 90 的残基，仍有一部分和实验模型差出 2 埃以上。高置信度的意思是模型相信自己的坐标，不是模型已经替你完成了机制证明。
所以论文里至少要守住三条。
第一，结构来自计算预测，就写 predicted，不要写成 experimentally determined。
第二，高 pLDDT 不能省略实验验证，也不能自动推出结合、催化或致病机制。
第三，若某项功能只是根据结构推断，句子里要留下相应的不确定性。
对比两种写法。
不合适：
我们使用 AI 预测了该蛋白质结构，结果表明 N 端形成稳定螺旋并负责结合 DNA。
更接近研究实际：
人源 p53 的结构取自 AlphaFold 蛋白质结构数据库（条目 AF-P04637-F1，模型 v6）。DNA 结合结构域的局部 pLDDT 普遍高于 90；N 端和 C 端大段低于 50，不作为有序结构解释。该预测用于对照已有晶体结构和后续实验设计，不替代实验测定。
营销文案写错一个形容词，影响有限。论文把预测写成实验事实，改的是结论的性质。
结构出现之后，研究才开始
三维模型是新的研究材料，不是终点。
接下来通常要问的，是证据链，而不是再让模型扩写一段功能故事：已有结构或文献是否报道过类似区域？同源蛋白里对应残基是否保守？自己的结合、突变或活性数据是否支持？有没有相反证据？预测的是哪一种构象，实验体系里会不会是另一种？
单独的结构预测服务器回答不了“这个结果对我的课题意味着什么”。这个问题要靠结构、文献、实验和写作之间的连接。这也是 Textira 这类科研工作台和“再生成一段分析”的差别：数字和图来自这次预测与这次实验，语言模型只负责把已经留下的结果写清楚。
结构预测怎样进入论文
论文不能只写“我们使用 AI 对蛋白质结构进行了预测”。按实际研究，Methods 至少应能回答：用了哪个模型、哪次数据库条目或哪个版本；输入是哪一条序列；关键参数是什么；如何评估 pLDDT 和 PAE；哪些区域进入了后续分析，哪些被明确排除；论文插图对应哪一个结构文件。
传统工作流里，实验、分析和正文是分开的。结果改了之后，数字、图和表述要靠人去对。语言模型最擅长的事情，恰恰是把不完整的信息补成一段很完整的话。所以更值得做的不是让 AI 自动得出更多蛋白质结论，而是让序列、模型、预测、置信度、分析和最终论文保持可回溯。
输入的是哪一条序列，运行的是哪一次预测，正文里的图来自哪一个文件，Methods 里的模型名是否和真实运行一致——这些听起来不如“生成一篇论文”震撼，但更接近投稿前真正会被问到的问题。
AI 能预测结构，不能替代实验
蛋白质在细胞里的状态，还受配体、离子、pH、翻译后修饰、相互作用伙伴和多种构象影响。一个静态预测不会自动回答动力学和功能的全部问题；已知有多种构象时，模型通常也只给出其中一种，而且不容易被指定。AlphaFold 2 的公开数据库条目本身不包含配体和核酸；要用更复杂的体系，需要 AlphaFold 3 或相应实验。
把 AI 放在一个更准确的位置，工作流才会比较诚实：
它帮助缩小搜索空间、提出假说、整理已有信息和组织结果。最终要实验验证的，仍然要实验。最终要研究者判断的，仍然要研究者判断。
从一条序列开始，但不应该停在一张三维图
蛋白质结构预测之所以容易打动人，是因为它把一串无规律的字母变成了屏幕上的三维物体。站在研究者这边，那只是一个新的起点。
结构哪些区域值得讨论？它和已有晶体或电镜结构是什么关系？能不能解释手头的结合或突变数据？还缺哪类实验？论文里的每一句，能不能回到某一次预测、某一张置信度图、某一条文献或某一组实验？
Textira 把结构预测放进科研工作流，意义不在把“序列到三维结构”包装成一次神奇生成，而在让预测结果继续连着文献、实验、数据和论文，成为可以被检查、被引用、被验证的一部分。
从序列到结构，是模型的能力；从结构到结论，仍然是科研。
常见问题
Textira 自己做蛋白质结构预测模型吗？
不。结构预测由 AlphaFold 等专业模型完成。Textira 负责把序列、调用、结果、置信度和后续的文献、实验、论文留在同一项研究里。
有了 AlphaFold，还需要做晶体学或冷冻电镜吗？
需要。预测是计算结果，置信度不是生物学正确性。配体、修饰、多种构象和真实细胞环境，仍然经常要求实验。
pLDDT 很高，能不能直接写进 Results 当结论？
高 pLDDT 只说明局部坐标更值得参考。功能、结合和机制仍然要有实验或独立文献支持，并且正文应标明这是预测结构。
只看三维图够不够？
不够。至少要看 pLDDT；涉及多个结构域或复合物时，还要看 PAE 和相应的界面分数。平均分很高也可能掩盖局部或结构域之间的不确定。
数据和来源
- Jumper 等，《Nature》（2021），AlphaFold 2 方法论文，DOI: 10.1038/s41586-021-03819-2 https://doi.org/10.1038/s41586-021-03819-2
- Abramson 等，《Nature》（2024），AlphaFold 3，DOI: 10.1038/s41586-024-07487-w https://doi.org/10.1038/s41586-024-07487-w
- Terwilliger 等，《Nature Methods》（2023），预测是假说、不能替代实验测定，DOI: 10.1038/s41592-023-02087-4 https://doi.org/10.1038/s41592-023-02087-4
- EMBL-EBI：AlphaFold 在线教程 https://www.ebi.ac.uk/training/online/courses/alphafold/
- Textira AI 科研平台 https://textira.com
