点评|颜宁等点评：AI精准预测蛋白质结构，结构生物学何去何从？( 四 ) 中薪|高薪|ai|结构生物学|何去

但是，现实中的冲击不会那么大。这是因为，AlphaFold2模型的创新性非常高，其中结合的2D transformer和3D equivariant transformer都是AI领域的前沿技术，模型的训练难度很大。DeepMind的训练方法在学术界很难复现，估计学术界要花几年的时间才能跟上，因此短期内AlphaFold2对结构生物学的影响会比较有限。DeepMind可能会和个别实验室合作，预测蛋白质结构。
——龚海鹏（计算生物学家，清华大学结构生物学高精尖创新中心研究员）
AlphaFold为结构生物学家提供了除晶体学、冷冻电镜、NMR以外的另外一种手段，用于揭示生物大分子发挥作用的分子机制。
——张鹏（结构生物学家，主要利用晶体学和冷冻电镜技术；中科院分子植物科学卓越创新中心研究员）
AlphaFold目前还不能预测复杂的分子机器，主要是因为蛋白-蛋白相互作用非常复杂，存在极多的可能性。实验手段所揭示出来的蛋白-蛋白相互作用方式还只是冰山一角，更何况在不同生理条件和过程中的结构变化。因此，未来对有特定功能的、多个成分组成的、生物大分子复合体的结构解析，以及体内的结构分析，将成为结构生物学实验研究的主要内容。无论有没有AlphaFold，结构生物学也正在朝这个方向发展。
Rosetta（注：从头蛋白结构建模算法）也好，AI也罢，结构预测都是基于已有的实验数据够大。没有足够的数据积累，这些基于统计和数据库的预测就无法实现。完全基于物理学和化学第一性原理的结构预测还没有出现。
实验科学永远是探索未知的必要手段。新的软件算法应该是成为实验科学家的更有力工具，而不是取代实验科学。
——王宏伟（cryo-EM专家，清华大学结构生物学高精尖创新中心执行主任，清华大学生命科学学院院长）
最近两年，结构生物学领域经历了与围棋界类似的故事。Alphago Fan版本时围棋界并不认为它能够战胜人类顶尖高手，可是Alphago Lee后整个围棋界甘拜下风，并且转向AI拜师学艺。2018年Alphafold出现时，实验结构生物学领域认为被战胜的仅仅是传统的结构预测领域，2020年Alphafold2之后，实验结构生物学领域应该开始思考如何与之共存以及如何“拜师学艺”了。目前阶段人工智能在围棋上已经远远超过人类顶尖棋手，但是人类围棋比赛并未因此取消，如同汽车发明后奥林匹克仍然在进行田径比赛一样。原因之一是人工智能虽然超越了人类，但并未解决围棋的最终解。同样的道理，对于复杂的结构生物学问题，预测手段本身还不能号称完全解决了问题。实验结构生物学领域接下来需要做的一个事情是要拥抱变化，更好地与预测方法结合以及共同发展。
——周强（cryo-EM专家，西湖大学生命科学学院特聘研究员）
蛋白质体系越大，结构的解析越难仅依赖计算方法。Cryo-ET (冷冻电镜断层成像) 技术擅长解析体外难表达的大分子机器结构、细胞中的原位蛋白结构等复杂体系，因此很难被脱离实验手段的方法取代。目前，由于体系过于复杂，使用分子动力学模拟整颗病毒尚未实现，要模拟细菌、细胞、组织，还要很长的路要走。
——李赛（Cryo-ET专家，清华大学结构生物学高精尖创新中心研究员）