AlphaFold-Multimer蛋白质复合物预测

CH-30-02-026·约 17 分钟·AI+生命科学与医疗·更新 2026-08-13

想象一位经验丰富的舞蹈教练。过去，他只会给单个舞者编排独舞——这就是AlphaFold2的看家本领：把一条氨基酸序列“折叠”成一个漂亮的单体蛋白质结构。但细胞里的蛋白质大多是“群舞演员”：两个亚基手拉手组成二聚体，三个亚基围成三聚体，甚至十几个亚基搭成一座精密的分子机器。如果只把每位舞者的独舞拼在一起，你完全无法还原他们真正配合时的队形——谁托举、谁旋转、谁和谁手腕相抵。2021年，DeepMind发布了AlphaFold-Multimer，相当于给AI装上了一套“团体编舞系统”：它能同时接收多条序列，预测这些蛋白质链如何组装成一个三维复合物。这篇文章就带你从零看懂这位“群舞教练”是怎么工作的——它怎么读舞谱、怎么让舞者互相看见、怎么反复排练、怎么给自己打分，以及它编出来的舞在什么情况下靠谱。

岗位关联

对药物发现与抗体工程从业者而言，理解 AlphaFold-Multimer 的输入、置信度与边界，是把 AI 结构预测用进真实研发管线的第一道门槛。

可视化演示
从独舞到群舞：复合物预测背景
制作舞谱：多链输入编码
让舞者互相看见：模型架构改进
反复排练：训练策略要点
教练打分：置信度评估
知道舞队的边界：局限与选型
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示AlphaFold-Multimer蛋白质复合物预测三大核心：多链结构（链A+链B联合MSA输入→Evoformer→复合物3D+界面残基）、接触图（10x9残基对接触概率矩阵高置信界面）、置信度评估（ipTM/pTM/pLDDT三指标+PAE链间误差矩阵）,三模式切换理解复合物预测全流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+C1+'

从独舞到群舞：复合物预测背景

舞蹈教练的进阶之路，从编排独舞开始。AlphaFold2就像一位只教独舞的教练，能把单条氨基酸序列折叠成精美的单体结构。但细胞里的真实“演出”几乎没有独舞：蛋白质常常两两牵手组成二聚体，三三两两围成三聚体，甚至十几个亚基搭成一台分子机器。如果只把每个舞者的独舞动作简单拼接，完全无法还原“托举、旋转、手腕相抵”的配合瞬间。

从生物学角度看，超过一半的蛋白质在体内以寡聚体形式行使功能，例如血红蛋白是四条链组装而成的四聚体，抗体则包含重链与轻链。结合过程往往伴随构象变化，单链结构无法体现这些协同效应。AlphaFold-Multimer应运而生：它把输入从“一条序列”扩展为“多条序列”，在训练中引入跨链信息与界面损失，直接输出整个复合物的统一三维坐标。形式化地说，它要解决“给定多条链的序列，找到最可能的复合物坐标”这一条件概率最大化问题：

所以，教练拿到的不再是“一个人的戏”，而是“整支舞队的全剧本”——这正是从单体预测到复合物预测的本质跨越。

X^* = \arg\max_{X} P(X \mid S_1, S_2, \dots, S_n)

这个公式把“群舞编排”翻译成数学语言：$S_1$ 到 $S_n$ 是舞者名单（各链序列），$X$ 是整支舞的队形（三维坐标），模型要找出最合理的那套队形。

演员名单$S_1, S_2, \dots, S_n$ 表示 $n$ 条链的氨基酸序列，它们是复合物的“参演舞者”。
$S_1, S_2, \dots, S_n$
条件概率$P(X \mid S_1, S_2, \dots, S_n)$ 表示已知所有序列后，复合物坐标构象为 $X$ 的概率。
$P(X \mid S_1, S_2, \dots, S_n)$
最优队形$\arg\max_{X}$ 表示在所有可能坐标中挑出概率最高的那个 $X$，即模型预测的复合物结构。
$X^* = \arg\max_{X} P(X \mid S_1, S_2, \dots, S_n)$

制作舞谱：多链输入编码

拿到舞队名单后，教练要制作一份“舞谱”。舞谱必须标注每位舞者的角色，以及谁和谁跳同一支编舞：同源多聚体如同多个演员跳同一套动作，异源多聚体则像不同角色各跳各的。AlphaFold-Multimer的第一项工作，就是把所有链的序列拼成一份统一的“大舞谱”。

技术细节上，模型把多条链的氨基酸序列拼接为一条长序列，同时为每个残基附加链身份标记——用 one-hot 编码告诉模型“这个残基归属哪条链”。这就像在舞谱上给每个舞者贴名牌，避免模型把两条相同序列的链混为一谈。残基的初始特征由三部分相加构成：氨基酸类型嵌入、链身份嵌入、链内位置编码：

MSA 配对也遵循同样的“舞谱逻辑”：同源多聚体会将单链的 MSA 复制并拼接，让各亚基共享共进化信息；异源多聚体则分别对每条链比对，再按残基对应关系拼成联合 MSA。舞谱齐了，排练才能开始。

e_i = \text{Emb}_{\text{res}}(a_i) + \text{Emb}_{\text{chain}}(c_i) + \text{Emb}_{\text{pos}}(p_i)

公式描述每个残基 $i$ 的“档案”：$a_i$ 是它是什么氨基酸，$c_i$ 是它属于哪条链，$p_i$ 是它在链内的编号。

氨基酸类型嵌入$a_i$ 表示第 $i$ 个残基的氨基酸类型，$\text{Emb}_{\text{res}}(a_i)$ 把类型映射成向量。
$\text{Emb}_{\text{res}}(a_i)$
链身份嵌入$c_i$ 是链 ID 的 one-hot 编码，$\text{Emb}_{\text{chain}}(c_i)$ 让模型知道这个残基来自哪条链。
$\text{Emb}_{\text{chain}}(c_i)$
位置编码$p_i$ 是残基在链内的序号，$\text{Emb}_{\text{pos}}(p_i)$ 帮助模型理解顺序信息。
$\text{Emb}_{\text{pos}}(p_i)$
求和融合三项相加得到残基初始特征 $e_i$，供后续神经网络使用。
$e_i = \text{Emb}_{\text{res}}(a_i) + \text{Emb}_{\text{chain}}(c_i) + \text{Emb}_{\text{pos}}(p_i)$

让舞者互相看见：模型架构改进

盲人摸象般的独角戏已经过时。编排群舞时，最关键的是让舞者“互相看见”——如果每一位舞者只顾自己的动作，队形必然七零八落。AlphaFold-Multimer 对 AlphaFold2 的核心改进，就是在 Evoformer 模块中引入链间信息交换，让不同链的残基能够互相“对视”。

Evoformer 内部有两条信息通道：MSA 表示（每条序列的特征）与成对表示（每对残基的关系）。Multimer 允许跨链的残基对参与注意力计算，相当于在编舞中不断问：“我这一步，跟另一条链那个舞者的下一步配不配？”关键的注意力机制可以写成：

配合注意力与三角更新规则反复作用后，成对表示逐渐编码出“谁和谁在空间上靠近”的默契信号。最后，结构模块把这些信号解码成具体的三维坐标，并通过 recycling（循环精炼）机制——把输出坐标当作下一轮输入再跑几遍——像导演喊“再来一遍”一样反复打磨队形。现在，舞者之间终于看得见彼此了。

\text{Attention}(Q, K, V) = \text{softmax}\left( \frac{Q K^\top}{\sqrt{d_k}} \right) V

注意力机制像舞者之间的“目光扫视”：$Q$ 是“我在看什么”，$K$ 是“其他人有什么可被看到”，$V$ 是“真正传递出去的配合信号”。

查询与键$Q$（查询）和 $K$（键）由输入特征线性投影得到，分别代表“我在寻找什么”和“别人能提供什么”。
$Q, K, V$
相似度打分$Q K^\top$ 计算每对残基之间的匹配程度，再除以 $\sqrt{d_k}$ 防止数值过大。
$\frac{Q K^\top}{\sqrt{d_k}}$
归一化加权softmax 把相似度变成概率分布，突出最相关的残基对。
$\text{softmax}\left( \frac{Q K^\top}{\sqrt{d_k}} \right)$
信息聚合用权重对 $V$ 加权求和，把“配合信号”传给目标残基。
$\text{Attention}(Q, K, V) = \text{softmax}\left( \frac{Q K^\top}{\sqrt{d_k}} \right) V$

反复排练：训练策略要点

舞谱写好了，接下来是枯燥而关键的排练。教练会重点抠“双人配合”的细节：托举时两个人的间距对不对？手腕相抵的角度够不够？模型训练也遵循同样的道理——预测误差中，界面残基对的误差需要被额外重视。

训练损失函数的核心是 FAPE（Frame Aligned Point Error），它衡量预测坐标与真实坐标在局部刚体对齐后的距离偏差。Multimer 对跨链残基对施加更高权重，相当于把排练重点放在“跨舞者的配合动作”上。简化地看，界面残基对的损失可以写成：

除了针对性的界面损失，训练还使用多种“抗干扰”手段：链 Dropout 随机扔掉一条链的特征，迫使模型不依赖某个舞者也能推断队形；MSA 随机遮蔽随机盖住部分 MSA 序列，增强模型在信息残缺时的鲁棒性；多聚类采样则让模型见识更多样的同源序列分组。这一套组合拳下来，模型在真实场景中面对不完美的输入时，依然能编出像样的队形——排练到位，台上才不慌。

\mathcal{L}_{\text{inter}} = \frac{1}{|P|} \sum_{(i,j)\in P} \left( \hat{d}_{ij} - d_{ij} \right)^2

公式含义：$P$ 是所有跨链界面残基对的集合，$\hat{d}_{ij}$ 是模型预测的第 $i$、$j$ 个残基间的距离，$d_{ij}$ 是真实距离，平方差越大说明这段“配合”越不到位。

界面残基对集合$P$ 包含所有分属不同链、且在空间中靠近的残基对；$\hat{d}_{ij}$ 与 $d_{ij}$ 分别是它们之间的预测距离与真实距离。
$\hat{d}_{ij}, \quad d_{ij}$
距离误差$\hat{d}_{ij} - d_{ij}$ 表示模型预测的“两人间距”与实际相差多少。
$\hat{d}_{ij} - d_{ij}$
均方误差平方再求和并除以 $|P|$，得到跨链界面的平均损失，训练时通过梯度下降最小化它。
$\frac{1}{|P|} \sum_{(i,j)\in P} \left( \hat{d}_{ij} - d_{ij} \right)^2$

教练打分：置信度评估

演出结束，教练要打分。AlphaFold-Multimer 会输出一套置信度指标，告诉我们这支“群舞”编排得多有底气。三个最重要的指标分别是：pTM、ipTM 和 PAE，它们好比教练的三个视角：整体完成度、双人配合默契度、以及每一对舞者之间的位置误差。

pTM（预测模板建模分数）评估整支舞的整体可信度——所有残基对的位置误差是否足够小；ipTM（界面 pTM）则只聚焦跨链界面残基对，专门回答“不同链之间的结合面靠谱吗”；PAE（预测对齐误差矩阵）是一张热图，逐一展示每对残基相对位置的预测误差。ipTM 的简化计算方法如下：

实际判读时遵循一套经验阈值：ipTM 大于 0.8 属于高置信，0.6 到 0.8 属于中等，低于 0.6 则要警惕。就像教练不会只看一个人的发挥就宣布整支舞成功——界面分数低，整支舞的可靠性就要打问号。

\text{ipTM} = \frac{1}{N_{\text{inter}}} \sum_{\substack{i\in a,\; j\in b\\ a\neq b}} \max\left(0,\; 1 - \frac{\hat{d}_{ij}}{d_0}\right),\quad d_0 = 15\,\text{Å}

公式把每个跨链残基对的距离误差换算成一个 0 到 1 之间的“默契分”，对所有跨链残基对取平均。误差越小、分数越接近 1，界面越可信。

跨链残基对约束条件 $i\in a,\; j\in b,\; a\neq b$ 确保只统计分属不同链的残基对，$N_{\text{inter}}$ 是这些残基对的总数。
$N_{\text{inter}}, \quad i\in a,\; j\in b,\; a\neq b$
阈值得分$\max\left(0,\; 1 - \hat{d}_{ij}/d_0\right)$ 表示当预测距离误差 $\hat{d}_{ij}$ 为 0 时得 1 分，误差超过阈值 $d_0=15\,\text{Å}$ 时得 0 分。
$\max\left(0,\; 1 - \frac{\hat{d}_{ij}}{d_0}\right)$
加权平均对所有跨链残基对求平均，得到界面的整体置信度分数。
$\frac{1}{N_{\text{inter}}} \sum_{\substack{i\in a,\; j\in b\\ a\neq b}} \max\left(0,\; 1 - \frac{\hat{d}_{ij}}{d_0}\right)$

知道舞队的边界：局限与选型

再优秀的编舞教练也有边界。首先，舞者可能今晚这样跳、明晚那样跳——蛋白质复合物天然存在构象多态性，而 AlphaFold-Multimer 只能给出一套静态的主流构象，它无法告诉你“还有哪些备选队形”。其次，舞台太大、舞者太多时教练会眼花缭乱——超大复合物对显存和算力的需求极高，链数过多或残基总数过大时，预测质量会明显下降。

第三个边界藏在“入场顺序”里：改变链的输入顺序，模型给出的组装模式可能不同。这种顺序敏感性提醒我们，使用时要固定链顺序并做一致性检查。在使用建议上，团队应该把预测当作“待验证的编舞初稿”：对高置信结果设计实验验证关键界面残基，用冷冻电镜、交联质谱或点突变实验来确认。一个实用的置信度判读规则是：

理解边界，才是真正的专业。聪明的团队会把 AlphaFold-Multimer 当作高效的“初排导演”，用实验为它“彩排定稿”——在效率与质量之间找到平衡。

\text{reliability} = \begin{cases} \text{high} & \text{ipTM} > 0.8\\ \text{medium} & 0.6 \le \text{ipTM} \le 0.8\\ \text{low} & \text{ipTM} < 0.6 \end{cases}

这个规则把连续分数映射为三个决策等级：高置信可直接进入下游分析，中等要谨慎解读，低置信仅作假设参考。

高置信区间ipTM 大于 0.8 时，复合物的界面预测在计算层面高度自洽，可用于结构参考与初步设计。
$\text{ipTM} > 0.8$
中等置信区间ipTM 在 0.6 到 0.8 之间，说明界面预测存在不确定性，需要结合其他方法交叉验证。
$0.6 \le \text{ipTM} \le 0.8$
低置信区间ipTM 低于 0.6，预测结果只适合当“草图”，不宜作为实验设计的直接依据。
$\text{ipTM} < 0.6$

AI 应用场景

抗体-抗原复合物建模

阶段：结构预测与界面分析

解决的问题：抗体工程中，研究者最关心抗体与抗原的“接触面”——哪些残基决定了结合强度。传统方式需要反复表达、纯化、结晶复合物，耗时数月且经常失败。AlphaFold-Multimer 可以快速给出抗体-抗原复合物的三维模型，标注关键界面残基，帮助团队缩小突变设计范围。

具体案例：某抗体亲和力成熟项目将野生型抗体重链、轻链与靶抗原序列输入 Multimer，获得复合物模型后对照 ipTM 与 PAE 热图，锁定 CDR 区与表位残基的相互作用网络，随后对热点残基进行饱和突变，用一经验证就找到亲和力提升 10 倍的候选抗体。

蛋白-蛋白相互作用高通量筛选

阶段：候选复合物排序与假设生成

解决的问题：药物研发早期需要从几百对候选蛋白相互作用中筛选“可能形成复合物”的组合。传统实验方法（pull-down、ITC）通量低、成本高。Multimer 可批量预测候选复合物结构，并用 ipTM 分数快速排序，把实验资源集中在高置信候选上。

具体案例：团队要对 50 个蛋白对做相互作用初筛，用 Multimer 批量预测后按 ipTM 排序，发现 3 对弱信复合物的 ipTM 显著高于其余组合，实验验证中 2 对确实共沉淀——筛选命中率从人工经验的 5% 提升到 40%。

多聚体酶设计与验证

阶段：设计反馈闭环

解决的问题：从头设计可自组装的多聚体蛋白时，设计序列能否按预期组装成目标复合物，是成败关键。Multimer 让设计团队在湿实验前先“虚拟组装”，根据预测结构与设计模型的偏差迭代优化序列。

具体案例：某团队设计了一个三聚体纳米支架，将候选序列输入 Multimer 预测复合物结构，发现其中一版设计的链间 β 折叠未按预期形成，ipTM 仅 0.52；修改界面疏水残基后重新预测，ipTM 提升到 0.85，后续表达纯化与冷冻电镜证实了组装正确。

Python 演示

python46 行

import numpy as np  def mask_inter_chain(chain_ids):    n = len(chain_ids)    mask = np.zeros((n, n), dtype=bool)    for i in range(n):        for j in range(n):            if chain_ids[i] != chain_ids[j] and i != j:                mask[i, j] = True    return mask  def tm_score(pae, mask=None, d0=15.0, k=2.25):    score = 1.0 / (1.0 + np.exp((pae - d0) / k))    score = np.clip(score, 0.0, 1.0)    if mask is None:        return float(score.mean())    n = int(mask.sum())    if n == 0:        return 0.0    return float((score * mask).sum() / n)  def judge_confidence(iptm_value):    if iptm_value > 0.8:        return "high"    if iptm_value >= 0.6:        return "medium"    return "low"  if __name__ == "__main__":    rng = np.random.default_rng(42)    chain_ids = np.array([0, 0, 0, 1, 1, 1])    pae = rng.uniform(2, 20, (len(chain_ids), len(chain_ids)))    np.fill_diagonal(pae, 0.0)     inter_mask = mask_inter_chain(chain_ids)    ptm = tm_score(pae, None)    iptm = tm_score(pae, inter_mask)     print(f"PAE shape: {pae.shape}")    print(f"pTM  = {ptm:.3f}")    print(f"ipTM = {iptm:.3f}")    print(f"prediction reliability: {judge_confidence(iptm)}")

目的：给定预测的 PAE 矩阵与链归属信息，计算 pTM、ipTM 并输出复合物预测的置信等级，模拟 AlphaFold-Multimer 的置信度评估环节。

pae = rng.uniform(2, 20, (len(chain_ids), len(chain_ids)))生成一个模拟的 PAE 矩阵，实际工作中由模型输出得到
mask[i, j] = chain_ids[i] != chain_ids[j]构建跨链残基对掩码，只保留不同链之间的残基对
score = 1.0 / (1.0 + np.exp((pae - d0) / k))将 PAE 距离误差映射为 0 到 1 之间的置信分数
inter_scores.sum() / n对跨链残基对的置信分数取平均，得到 ipTM
if iptm_value > 0.8: return "high"依据经验阈值判断预测是否高置信

常见误区

误区只要把几条序列扔进 AlphaFold-Multimer，它就能自动给出完全正确的复合物结构，不需要关心输入格式和链顺序。

正解输入质量直接影响输出。链身份标记、MSA 配对方式和链的输入顺序都会改变结果。就像编舞前必须确认演员名单和角色分配——舞谱写错了，排练再勤奋也白搭。同源多聚体需要共享 MSA，异源多聚体要分别比对再拼接，弄反了会引入噪声。正确做法是固定链顺序、检查 MSA 覆盖度，并对低置信结果做多轮一致性验证。

为何常见：官方演示案例往往效果惊艳，让人误以为模型“无脑可用”，忽略了其在输入准备上的隐性要求。

误区ipTM 大于 0.9 的预测一定和真实结构几乎一致，可以直接拿去做药物设计。

正解ipTM 衡量的是模型内部的自洽程度，不是与真实结构的绝对吻合。就像教练给双人舞打了高分，只代表两位舞者配合流畅，不代表这套动作适合所有舞台。构象多态性、同源二聚体的对称性纠缠、以及训练数据覆盖不足的复合物类型，都可能让高 ipTM 对应一个“自信但错误”的结构。必须结合实验数据或保守地只把高置信界面用于假设生成。

为何常见：人对“高分”天然信任，且 ipTM 的名字里有“预测模板建模分数”，容易被误读为“实验级精度”。

误区分别预测每条链的单体结构，再在软件里手动对接，等价于 Multimer 的复合物预测。

正解蛋白质结合时往往发生诱导拟合——界面残基的侧链甚至主链构象会因结合而改变。单体结构的“独舞姿态”无法反映结合后的“配合姿态”。就好比把两个人各自的独舞视频剪在一起，得不到双人舞的托举动作。Multimer 的价值恰恰在于它同时优化所有链的坐标，让界面残基互相适配。

为何常见：AlphaFold2 的单体预测太成功，人们习惯“拼装”思路，低估了结合诱导构象变化的影响。

误区Multimer 预测不了超过几百个残基的大复合物，是模型本身不行。

正解Multimer 的内存占用随残基数量近似二次增长，PAE 计算也需要大量显存。输入超过万残基时，模型可能因显存溢出或注意力稀疏化而质量骤降。这更像“舞台太小排不开群舞”，而非“教练不会编”。可行策略是分块预测、先用共进化信息拆分亚复合物，再用实验约束合并结果。

为何常见：用户常用超大复合物做压力测试，却忽略了模型的显式设计边界——它主要针对 2-6 条链、总残基数千以内的场景优化。

面试题

Q1. AlphaFold-Multimer 的核心任务是？

单选题 · easy

A.预测单链蛋白质折叠结构
B.预测多链蛋白质复合物结构← 正确答案
C.预测蛋白质与药物分子结合能
D.预测蛋白质二级结构类型

答案：B。AlphaFold-Multimer 是 AlphaFold2 的多链扩展，核心任务是预测多条蛋白质链组装成的复合物三维结构。A 是 AlphaFold2 的任务，C 属于分子对接/自由能计算，D 属于一级结构分析，均不符合“复合物”这一核心定位。

Q2. 链身份编码的主要作用是？

单选题 · easy

A.区分残基来自哪条链← 正确答案
B.加速 GPU 运算
C.提高序列比对速度
D.计算残基疏水性

答案：A。链身份编码用 one-hot 向量标记每个残基所属的链，让模型在处理同源多聚体时不会把不同链的相同序列混淆。它不涉及运算加速、比对速度或疏水性计算，后三者与链身份无关。

Q3. 关于同源多聚体的 MSA 配对，常见做法是？

单选题 · mid

A.各链独立比对后直接拼装
B.将单链 MSA 复制共享给各亚基← 正确答案
C.只保留一条链的 MSA
D.随机替换不同物种的序列

答案：B。同源多聚体的各链序列相同，通常把单链的 MSA 复制并拼接成跨链联合 MSA，让模型从共进化信息中推断对称性。直接拼装、只留一条链或随机替换都会丢失关键的跨链共进化信号。

Q4. 关于 ipTM 的说法正确的是？

单选题 · mid

A.衡量所有残基对整体误差
B.只衡量跨链残基对的置信度← 正确答案
C.数值越低复合物越可靠
D.与输入链顺序完全无关

答案：B。ipTM 只统计分属不同链的残基对，是专门评估界面预测质量的分值，数值越高越可靠。A 描述的是 pTM 的职责；C 方向说反；D 错误，Multimer 对链输入顺序存在敏感性。

Q5. 高 ipTM 的预测结果说明？

单选题 · mid

A.与实际结构完全一致
B.界面预测内部高度自洽← 正确答案
C.复合物必定高亲和力结合
D.无需实验方法验证

答案：B。ipTM 高表示模型对界面残基对的位置预测在内部评价体系里很自信，但自信不等于真实。构象多态性和训练数据偏差都可能导致“高自信错误”，因此仍需实验验证，也不能从结构分数直接推断结合亲和力。

Q6. pTM 分数主要用来评估？

单选题 · easy

A.单链预测的整体可信度← 正确答案
B.跨链界面的结合自由能
C.序列的同源相似程度
D.蛋白表达量的高低

答案：A。pTM 对所有残基对的预测距离误差加权平均，反映整个复合物预测的整体可信度。它对预测的“型态”敏感，能区分全局正确和局部错误，但不评估结合自由能、同源程度或表达量。

Q7. 关于 recycling 机制的描述正确的是？

单选题 · mid

A.将输出坐标重复输入并精炼← 正确答案
B.每次预测都重新训练模型
C.循环使用同一条 MSA 序列
D.降低模型对输入的敏感度

答案：A。recycling 把当前循环输出的结构与表征作为下一循环的输入，让模型反复迭代优化预测，类似导演反复喊“再来一遍”。它不需要重新训练模型，也不是循环 MSA，更不以降低输入敏感度为目标。

Q8. AlphaFold-Multimer 相比单体预测的关键改进是？

单选题 · easy

A.引入链间注意力机制← 正确答案
B.使用更大的卷积核
C.去除注意力层
D.改用循环神经网络

答案：A。Multimer 在 Evoformer 中允许不同链的残基之间进行注意力计算，并配合链间损失与 MSA 配对，实现对多链交互的建模。卷积核变大、去除注意力或改用 RNN 都不是其官方改进方向。

Q9. Multimer 训练中使用的数据增强手段有？

多选题 · mid

A.随机遮蔽部分 MSA 序列← 正确答案
B.随机删除整条链的特征← 正确答案
C.随机旋转所有坐标
D.随机打乱氨基酸顺序

答案：AB。训练时对 MSA 做随机遮蔽、对整条链做 dropout，都能增强模型在信息残缺时的鲁棒性。随机旋转坐标无意义（结构应具备旋转不变性），随机打乱氨基酸顺序则破坏序列信息，均不会被采用。

Q10. 以下哪些是 AlphaFold-Multimer 的已知局限？

多选题 · hard

A.难以捕捉构象多态性← 正确答案
B.超大复合物内存消耗高← 正确答案
C.对链输入顺序较敏感← 正确答案
D.无法预测同源二聚体

答案：ABC。Multimer 输出单一静态构象，无法枚举构象集合；残基数量增长时注意力复杂度上升，显存压力大；换链顺序可能给出不同组装建议。但它完全支持同源二聚体预测，因此 D 错误，前三项都是真实的边界。