AI×生命科学：从 AlphaFold 到蛋白质设计
一句话结论：结构预测（"读"蛋白质）已经由 AlphaFold 系列解决到接近实验精度，而蛋白质设计（"写"蛋白质）正在被扩散模型重新定义。对 AI Infra 工程师来说，这个领域真正的挑战不是模型创新，而是把 MSA 深度、等变图网络和扩散采样三套计算模式放进同一套 GPU 工程里。
1. 从序列到结构：为什么 MSA 是"第一性原理"
AlphaFold 2 最反直觉的设计是：它不直接学习"序列→结构"的映射，而是学习"进化共变异→结构"。
- 输入不是单条序列，而是多序列比对（MSA）——把同源蛋白序列对齐成矩阵；
- 核心信号是共变异（co-evolution）：两列氨基酸经常一起变化，说明它们在三维空间里接触；
- MSA 深度（每条序列的同源数）直接决定预测质量：同源序列 <100 的孤儿蛋白，AlphaFold 2 也救不回来。
工程含义：MSA 搜索（JackHMMER/MMseqs2）本身就是计算瓶颈。单蛋白 MSA 搜索可达分钟级，跑在 CPU 上；预测跑 GPU。流水线是"CPU 搜索 → GPU 预测"的经典异构编排，批量预测时要用队列把两段算力都喂满。
2. AlphaFold 2：Evoformer 与结构模块
AlphaFold 2 的骨架可以拆成两块：
| 模块 | 作用 | 计算特点 |
|---|---|---|
| Evoformer | 在 MSA 行与列之间反复交换信息，提炼进化信号 | 2D 注意力，显存随序列长度平方增长 |
| 结构模块 | 用等变注意力把抽象表征折叠成 3D 坐标 | 逐残基迭代，28 次循环精化 |
关键工程点：
- 显存大头在 Evoformer 的 MSA 注意力：长序列（>1000 残基）需要分块或降采样，否则单卡放不下；
- 循环精化是延迟大头：28 次结构循环串行，无法并行，推理延迟与残基数近似线性；
- 置信度输出（pLDDT/PAE）不是装饰：低于阈值的区域必须当作"预测不可信"处理，下游对接（如对接模拟）前先按 PAE 过滤。
3. AlphaFold 3 与扩散时代
AlphaFold 3 把范围从蛋白质扩展到蛋白质-配体-核酸-离子复合物，并把结构生成换成扩散模型：
- Pairformer 取代部分 Evoformer 逻辑，输入加入共价键与化学约束；
- 扩散采样：从随机坐标开始，逐步去噪到可信构象——结构预测变成了"条件生成"问题；
- 好处：能预测复合物与修饰（糖基化、金属离子），坏处：采样成本远高于单次前向，一次预测要跑多步去噪。
工程视角：AlphaFold 3 更接近"结构版扩散模型"，推理是多步采样 × 大模型，跟文生图的算力画像同构。批量对接（如药物筛选管线跑几十万复合物）时，采样步数是成本的第一杠杆——很多场景 10 步以内的加速采样已足够排序用。
4. 等变图神经网络与 RoseTTAFold
- RoseTTAFold：三轨架构（序列/结构/MSA 三条信息流互相注入），比 AlphaFold 2 更省显存，单 GPU 可跑，速度快一个量级；
- 等变 GNN（如 SE(3)-Transformer）：让网络对旋转平移不变——"坐标怎么转，预测跟着转"。这是结构建模区别于 CV 的本质约束；
- 应用上 RoseTTAFold 常作为"快速初筛"：先用它过滤候选，再用 AlphaFold 精修，两级流水线把算力花在刀刃上。
5. 蛋白质设计：扩散模型的"写"能力
从"读"到"写"的转变：
- RFdiffusion：在残基坐标上做扩散，直接生成全新蛋白质骨架，再回填序列；
- 生成式设计管线：目标函数（结合亲和力、稳定性）作为条件 → 扩散采样骨架 → 序列设计（ProteinMPNN 类模型）→ 结构验证（AlphaFold 回测）；
- 关键闭环：设计结果必须用结构预测模型"回读"验证——生成-验证-迭代，和实验闭环之前的唯一防火墙。
6. 工程落地清单
- 异构流水线：MSA 搜索（CPU 多核并行）→ 预测（GPU）→ 置信度过滤，用队列解耦三段算力；
- 批量推理：MSA 去重与聚类先做一遍（同源冗余会浪费 50% 以上算力）；
- 采样步数与质量权衡：明确"排序用"与"发表用"两档精度，分别配置扩散步数；
- 显存规划：长序列复合物按
L²估算注意力显存，必要时序列切块； - 数据版本管理：MSA 数据库版本要跟预测结果一起存，否则结果不可复现。
判断标准：能不能闭环。一条蛋白从序列出发，经过 MSA→预测→置信度过滤→设计→回测，全流程可复现、可审计，才算真正进入了 AI 生命科学的工程体系。