核心要点
输入是单条氨基酸序列，输出是蛋白质全原子的三维坐标，解决蛋白质折叠这一长期难题。
先做多序列比对（MSA），从同源序列的共变（进化耦合）中提取残基接触线索。
Evoformer 用注意力交替更新 MSA 表示与残基对表示，让序列与几何信息互相传递。
结构模块端到端直接回归坐标，并输出 pLDDT 等置信度；AF2 精度接近实验测定。
标准回答
问题与输入
AlphaFold 解决的是从氨基酸序列预测蛋白质三维结构的问题。它不依赖物理模拟逐步折叠，而是把序列直接映射到原子坐标。
关键信息来源：MSA 与进化耦合
给定目标序列，先在数据库中搜索同源序列构建多序列比对（MSA）。如果两个残基在进化中总是协同突变（共变），通常意味着它们在空间上接触，这种进化耦合是预测接触图的重要信号。
核心架构
- Evoformer：用注意力机制交替更新「MSA 表示」与「残基对（pair）表示」，让序列层面的进化信息和残基间的几何约束反复交换、相互精炼。
- 结构模块：以不变点注意力等机制，端到端地直接输出每个残基的旋转平移，得到全原子三维坐标，而非先预测距离再重建。
输出与精度
模型同时给出 pLDDT 置信度，便于判断哪些区域可信。AF2 在 CASP 上达到接近实验（X 射线/冷冻电镜）的精度，是 AI for Science 的标志性突破。
常见误区
⚠️ 常见踩坑
AlphaFold 不是用分子动力学逐帧模拟折叠过程，而是数据驱动地一次性预测最终结构；且对缺乏同源序列（MSA 浅）的孤儿蛋白预测会明显变差。
追问
追问 1：为什么 MSA 对 AlphaFold 这么关键？
MSA 提供进化耦合信号：在同源序列中协同突变的残基对，往往在三维空间中相互接触，这等价于给出大量软性距离约束。MSA 越深、越多样，接触预测越准。反之，对于没有足够同源序列的蛋白（如某些新设计或孤儿蛋白），预测置信度和精度都会下降，这也是后续工作引入语言模型表征以减少对 MSA 依赖的动机。
追问 2：Evoformer 里的 pair 表示起什么作用？
pair 表示编码每对残基之间的关系（如距离、方向倾向），是连接序列信息与最终几何的桥梁。Evoformer 让 MSA 表示和 pair 表示通过注意力反复交互：序列层面的共变更新 pair，pair 又借三角不等式式的更新自洽约束几何，最终把一致的 pair 信息交给结构模块直接生成坐标。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。