AlphaFold 3跨出蛋白質邊界，AI結構預測進入分子互作時代

當研究人員想理解一個藥物候選分子為何能卡進蛋白質口袋，或一段RNA如何與蛋白質組成複合體，真正關鍵的往往不是單一分子的形狀，而是它們彼此接觸、旋轉、靠近與排斥的方式。DeepMind與Isomorphic Labs在《Nature》發表的AlphaFold 3，正是試圖把AI結構預測從「看見蛋白質」推進到「看見生物分子如何相遇」。

這項模型延續AlphaFold 2帶動的蛋白質結構預測革命，但目標更廣。論文指出，AlphaFold 3可預測由蛋白質、DNA、RNA、小分子配體、離子與修飾殘基組成的複合體結構。換言之，它不再只處理生命科學中最熟悉的蛋白質骨架，而是嘗試在同一個深度學習框架中描述更接近細胞內真實環境的分子互作。

在技術上，AlphaFold 3採用大幅更新的擴散模型架構，直接生成原子座標，並以較簡化的pairformer模組取代AlphaFold 2中更重的evoformer設計。這種改變使模型更容易處理不同化學實體，而不必為每一類分子互作建立一套高度客製化規則。論文也提到，模型可從聚合物序列、殘基修飾與小分子SMILES表示式等輸入出發，生成複合體結構。

研究團隊以多類基準評估模型表現，包括蛋白質—配體互作、蛋白質—核酸互作、抗體—抗原界面、RNA結構，以及來自Protein Data Bank的近期結構資料。在論文報告中，AlphaFold 3在多數類別上優於若干專門工具；例如在蛋白質—配體互作上，相較傳統對接工具顯示更高的結構準確度，並在蛋白質—核酸與抗體—抗原預測上較既有方法有明顯進步。

這使它成為生醫AI中相對具體的一類工具。對藥物研發而言，結構式資訊可用來協助判斷小分子是否可能進入目標蛋白口袋、抗體是否可能接觸抗原關鍵區域，或核酸相關療法中的分子組合是否合理。這些資訊可影響早期靶點研究、候選分子設計與實驗優先順序，而不只是提供漂亮的三維圖像。

不過，結構預測與藥物成功之間仍隔著漫長距離。模型較會回答「分子可能怎麼放在一起」，卻不能直接證明結合強度、細胞活性、毒性、代謝穩定性，或人體內是否有效。對小分子藥物尤其如此，結合姿勢只是研發鏈條中的一環；候選藥物是否能被製造、吸收、分布並通過臨床試驗，仍需實驗與臨床資料接住。

論文也顯示，這類生成式模型必須面對看似合理卻可能錯誤的結構輸出。研究團隊以交叉蒸餾與信心評估等方法降低幻覺風險，但使用者仍需要解讀模型的不確定性，特別是在缺乏相近訓練資料、分子柔性高、或生物狀態受環境條件影響時。對監管與醫藥產業來說，AlphaFold 3更像是提高臨床前研究效率的候選工具，而不是可單獨支撐決策的證據來源。

AlphaFold 3的意義因此不在於宣告AI已經取代結構生物學，而是把結構生物學的計算入口往前移了一大步。若未來能與冷凍電顯、X光晶體學、質譜、細胞實驗與臨床前藥理資料更緊密整合，這類模型可能改變研究人員提出假說與安排實驗的節奏；但它的價值，終究要在可重複驗證的分子生物學與藥物研發流程中被衡量。