科学：谷歌DeepMind的AlphaFold 4预测所有已知转运蛋白的结构
新版神经网络模型对超过5万种此前无法结晶的人类膜转运蛋白进行了三维形状建模。这将加速针对癫痫和癌症的离子通道药物开发。
分析文章：DeepMind打破“不可结晶”壁垒——AlphaFold 4对制药业的真正意义
[核心要点]：究竟发生了什么
AlphaFold 4预测了5万种膜转运蛋白结构的消息，听起来像是计算生物学的又一步进展。但实际上，这远不止是进步。这是AI从“助手”变成唯一能够窥探整个靶点类别的工具的时刻——这类靶点几十年来一直被经典结构生物学完全封锁。
我们说的是SLC转运蛋白和离子通道。膜蛋白约占所有FDA批准药物靶点的60%，然而它们的结构信息一直是“盲区”——已知结构中不到3%属于此类。原因并非科学家懒惰，而是物理定律：要长出用于X射线晶体学的晶体，蛋白质必须平躺且稳定。而生活在脂肪层中、不断改变形状以穿梭分子通过细胞膜的膜蛋白，是最不适合结晶的候选者。
AlphaFold 4做了哪些前代版本做不到的事？关键在于“动态”。前代版本，包括革命性的AlphaFold 2，预测的是静态结构——单一的“折叠”形态。而AlphaFold 4似乎学会了预测构象集合（尽管公告中提到的是2024年的“AlphaFold 3”，但业界暗示这是多聚体建模的新迭代）。也就是说，对于转运蛋白，它可以展示三种状态：向外开放、闭合（与配体结合）和向内开放。如果不了解这些形状（构象），就不可能制造出阻断药物——你根本不知道在哪里以及如何附着。
时间线与背景
要理解为什么这是决定性的一击，回顾一下最赚钱的药物类别之一——质子泵抑制剂（奥美拉唑及其后继者）的历史。它们是在80年代“盲目”开发的，依赖粗略的生理学。如今，在靶向设计时代，没人那样做了。如果蛋白质无法被拍照（结晶），它就被认为是“不可成药的”。SLC转运蛋白正是这样一个希望破灭的坟场。
关键时间点：2020-2021年——AlphaFold 2震惊世界，预测了数亿种蛋白质。但膜蛋白仍然是最难的挑战。2023-2024年——AlphaFold 3问世，能够模拟小分子和离子。那时人们就清楚，不仅可以预测蛋白质本身，还能预测药物如何与之结合。
现在，2026年6月，谷歌DeepMind报告完成了“巨大”的评分——预测了所有已知人类膜转运蛋白的结构。这不是假设性的发现，而是完成了图谱。这一公告应引发的不是Twitter上的掌声，而是辉瑞和诺华研发部门的闭门会议。
谁赢谁输
赢家：计算机模拟生物技术公司。例如Recursion Pharmaceuticals（已在用AI进行表型筛选）和Genesis Therapeutics等实体。它们不再需要数百万化合物的筛选库来“猜测”。它们可以直接模拟对接进入预测的钾通道结构。
赢家：学术实验室。商业结晶一个膜蛋白的成本约为15万至30万美元，耗时1-2年。现在这个成本实际上已归零。依靠为制药公司“溶解”困难靶点而获得合同的结构生物学中心将遭受损失。
输家：出人意料的是冷冻电镜技术。它是过去5年膜蛋白研究的希望，但AI发展更快。输家：老派的药物化学家，他们喜欢说“电脑能画出来，但在试管里行不通”。现在AI有了结构，命中概率大幅提升。
媒体没说的
洞察一：脂质环境问题。
媒体写的是“预测结构”。但细胞中的蛋白质并非处于真空中，而是在膜中——一种含有胆固醇和特定脂质的特定流体，这些会改变其形状。AlphaFold 4可能预测的是“水性洗涤剂”或简化模型中的蛋白质结构。已有案例表明，AI生成的蛋白质经晶体学确认后，在活细胞中却不起作用，因为AI漏掉了楔入α螺旋之间的调节性脂质分子。如果你基于“无脂质”结构设计药物，它可能根本不适合天然蛋白质。
洞察二：孤儿转运蛋白与脱靶效应。
人类约有450种SLC转运蛋白。许多曾被认为“无趣”，因为其功能未知。现在我们知道了它们的结构，但不知道它们做什么。大型制药公司将急于筛选化合物库，找到活性分子，直到二期临床才发现阻断SLC-48会导致肾毒性——这是无法预测的，因为我们不知道那个基因的生理功能。我们有了“钥匙”（结构），但不知道在开哪扇门。经典制药总是从疾病开始——基因A的突变导致疾病B。这里，AI给了我们结构却没有疾病分类。这将在3-4年内引发一波临床失败。
洞察三：DeepMind的垄断。
DeepMind以开放获取方式发布结构（AlphaFold蛋白质结构数据库）。这对科学很好。但AI本身——将氨基酸序列转化为带有螺旋的4D模型——是闭源的。DeepMind没有透露确切的神经网络架构（通常是Transformer和扩散模型的组合）。所有生物技术公司现在都依赖谷歌的“针眼”。如果明天谷歌决定限制访问或更改高通量虚拟筛选的API定价，整个行业将被挟持。
预测：未来30天和90天
未来30天：
预计会出现大量预印本。一个月内，bioRxiv上至少会出现10篇论文，作者在某个SLC转运蛋白上发现“新口袋”。实验室将开始“切割”数百种定制小分子变体。金融分析师将开始修订专注于代谢疾病（SLC在其中起关键作用）的公司的估值。
未来90天：
关键节点——FDA是否会发布指南，允许使用AI结构作为作用机制的证据？目前，监管机构要求靶点验证的物理数据。如果FDA认可AlphaFold 4足以证明靶点选择合理性，这将缩短1-2年的临床前工作。
此外，准备好迎接可重复性丑闻。有人会尝试合成其中一个预测的蛋白质（体外），并用X射线验证AI模型。我确信，对于某些复杂亚基，RMSD（原子均方根偏差）将超过1.5埃。对于化学设计来说，这很大。一波批评将涌现，说AI仍在“画涂鸦”。只有后来才会发现，蛋白质只是在试管中聚集了——这是AI尚未解决的另一个生物物理问题。
免责声明：以上分析基于过去3年AI生物学发展的逻辑以及2024-2025年《自然》/《科学》出版物设定的趋势。具体公司名称和产品用于说明行业关系，不代表来自未公开来源的直接见解。
— Editorial Team
