AI刚刚因破解一个困扰生物学界50年的难题而获得诺贝尔奖

每一个生命体都依靠蛋白质运转。它们消化你吃下的食物，在你的血液中运送氧气，抵御感染，并构筑起你细胞的结构。而一个蛋白质的功能几乎完全由一件事决定：它的形状。

问题在于，蛋白质是先被合成为一条长链，然后在一瞬间自行折叠成一个错综复杂的三维结构。仅凭这条链条推断出它最终的形状，曾是整个生物学领域最难攻克的开放性问题之一。五十年来，它一直让世界上最优秀的科学家们束手无策。

后来，一个AI解决了这个问题。而在2024年，这项成就摘得了诺贝尔化学奖。

折叠为什么如此困难

用一句话概括这个问题：一个蛋白质理论上可以折叠成天文数字般众多的可能形状，但在现实中，它只会锁定成其中的一种。要从化学配方本身预测出究竟是哪一种，其复杂程度令人望而生畏。

几十年来，确定一个蛋白质结构的唯一可靠方法，就是通过实验来测定：这是一种极其耗费心力的实验室技术，一名博士生可能要花上数年时间才能确定出一个蛋白质的结构。与此同时，生物学界已经测出了数以亿计蛋白质的氨基酸序列（配方），而它们的形状却依然是个谜。“我们已知的配方”和”我们理解的形状”之间，隔着一道鸿沟。

AlphaFold登场

弥合这道鸿沟的系统名为AlphaFold，由AI实验室谷歌DeepMind打造。它没有去模拟折叠过程中的物理学原理，而是选择了学习。它在那些科学家们已经艰苦破解出结构的蛋白质数据上接受训练，自主掌握了连接一条链条与其最终形状之间的深层规律。

这一成果震惊了整个领域。在一项长期举办的竞赛中，各支团队相互竞争，看谁能更准确地预测蛋白质结构，而AlphaFold赢得了这场比赛，并且遥遥领先：它给出的预测精确到足以与缓慢而昂贵的实验室实验相媲美。一个原本以年为单位来衡量的问题，骤然坍缩成了一个以秒为单位来衡量的问题。

几乎我们已知的每一种蛋白质，都被绘制成图

随后，DeepMind又做了一件让这项成果的影响力成倍放大的事：它与欧洲生物信息学研究所合作，用AlphaFold对科学界已记录在案的几乎每一种蛋白质（超过2亿种）进行了运算，并将整个数据库免费公开，向全世界发布。

一夜之间，那些原本可能要花上数年才能追踪到某一个结构的研究人员，如今只需查阅一下就能获得答案。此后，这个数据库已经吸引了190多个国家超过300万名用户，为从抗生素耐药性到被忽视的热带疾病，再到有朝一日或许能分解塑料垃圾的酶等各类研究提供了养料。

2024年，诺贝尔化学奖对这项工作予以了表彰。奖项的一半授予了戴维·贝克，以表彰他从零开始设计出全新蛋白质这一同样艰巨的成就。另一半则由DeepMind的戴密斯·哈萨比斯和约翰·江珀共享，以表彰他们预测出已存在蛋白质形状的贡献。这项奖颁给了三个人，而不是一台机器。

从解读蛋白质到设计药物

知道一个蛋白质的形状，绝不仅仅是学术意义上的事情。大多数现代药物的作用原理，是与某个特定的蛋白质结合，就像一把钥匙对应一把锁。如果你能详细看清那把锁的构造，你就能设计出一把更好的钥匙。

这套系统的更新版本走得更远，它预测的不仅是一个蛋白质的形状，还有它将如何与其他分子相互作用，而这正是药物设计师最需要得到解答的问题。它正在把药物研发中那段缓慢、极度依赖运气的早期阶段，转变成一件更快速、也更深思熟虑的事情。

更大的启示

人们很容易把AlphaFold和聊天机器人、图像生成器归为一类，但它讲述的是一个关于AI的不同（在某些方面甚至更重要）的故事。它不是一台生成貌似合理的文字的机器。它是一台真正解决了一个存在数十年之久的科学难题、给出了实验人员可以验证的答案、并把成果免费交给全世界的机器。

这才是那种真正值得为之兴奋的AI：不是那种替你写邮件的AI，而是那种正悄悄改写实验室里可能性边界的AI。这个困扰生物学界半个世纪的问题，如今已在很大程度上被攻克，但尚未被彻底终结。AlphaFold给你的是一个静态的形状，而许多蛋白质之所以重要，恰恰是因为它们会运动，或者因为它们根本没有固定的形状，又或者因为哪怕改变一个氨基酸，也会彻底改变它们的行为方式。这些正是它至今仍会出错的地方。同样的方法，如今正被用于攻克癌症、开发新型抗生素，以及应对那些困扰人类数代之久的疾病。

这些机器已经学会了阅读生命的语言。而我们才刚刚开始发现，它们将帮助我们用这门语言写出些什么。