想象一位折纸大师拿到一张长纸条，上面只写了 20 种符号。他的任务不是读懂纸条，而是把这张纸条折成一个有功能的立体纸雕——蛋白质在生物体内也必须把自己折叠成精确的三维结构才能工作。过去，科学家要靠 X 射线晶体衍射等实验方法慢慢拍下纸雕的成品照，一张照片可能就要拍几年。AlphaFold2 则像一间全自动折纸工坊：它先收集同主题的参考折法（多序列比对，MSA），再看已知的成品照（模板），然后在审图室里反复推敲折痕关系（Evoformer），最后用一双手在三维空间里把纸雕摆出来（结构模块）。更神奇的是，折完还能回炉再折几次，越折越准。这篇文章会走进这座工坊的每一间房，看看它从序列到坐标的完整流水线。

岗位关联

理解 AlphaFold2 的分层设计，是进入 AI 驱动蛋白质结构预测与药物发现领域的关键一步。对 AI 工程师而言，双表示协同、几何约束与迭代精化思想，也能迁移到其他科学智能任务中。

目录
  1. 可视化演示
  2. 问题与数据：长纸条与参考照片
  3. 输入表示：把证据写成便签
  4. Evoformer与几何：审图室里的双向沟通
  5. 结构模块：从图纸到三维坐标
  6. 循环精化：折了又折，越折越准
  7. 损失与工程优化：裁判的量尺与量产武器
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示Evoformer特征提取、结构模块IPA与三角注意力、FAPE损失与回收机制，直观展示AF2如何从MSA和模板推断原子坐标。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Evoformer特征提取 MSA+配对表征 共进化信息 提取残基间共进化信号与几何关系

问题与数据：长纸条与参考照片

折纸大师的第一步，不是直接动手，而是先看清自己拿到的是什么。AlphaFold2 面对的问题也一样：给定一条氨基酸序列，预测蛋白质折叠后的三维坐标。这里的输入不只是“一张纸条”，还有一叠辅助资料。多序列比对（MSA）就像一群见过类似纸雕的人，从各自角度描述哪些折痕位置很稳定；模板则是以前拍好的成品照片，能告诉模型大致框架。更关键的是，整个流程从原始输入到三维坐标全部可微，意味着所有环节可以放在同一个神经网络里联合训练。

为了让机器处理字符，需要先把 20 种氨基酸变成数字。这里使用最简单的 one-hot 编码：把每个氨基酸表示成一个只管“是或不是”的向量。

有了这些数字化的“参考折法”，工坊才能开始给纸雕建立内部表达。下一节我们看看这些数据如何被加工成两种核心表示。

xi=onehot⁡(ai)∈R20,MSA⁡={ms∈{0,1}20×L}s=1S\mathbf{x}_i = \operatorname{onehot}(a_i) \in \mathbb{R}^{20}, \quad \operatorname{MSA} = \left\{ \mathbf{m}_s \in \{0,1\}^{20\times L} \right\}_{s=1}^{S}
这个公式把“文字纸条”变成“数字矩阵”，MSA 则把多个同源序列整齐排列成一张可计算的表。
  1. 氨基酸编码$a_i$ 是序列第 $i$ 个氨基酸，one-hot 把它变成 20 维的 0/1 向量。
    ai↦xia_i \mapsto \mathbf{x}_i
  2. 序列位置$i = 1,2,\dots,L$，$L$ 表示蛋白质的残基总数，也就是纸条长度。
    i=1,…,Li=1,\dots,L
  3. 多序列比对每条比对的序列 $\mathbf{m}_s$ 也是 20 维 one-hot 构成的矩阵，相当于一位老师傅的“观察笔记”。
    ms∈{0,1}20×L\mathbf{m}_s \in \{0,1\}^{20\times L}

输入表示：把证据写成便签

审图室里最忌讳信息混乱。AlphaFold2 把所有输入整理成两类便签：一类是“MSA 便签”，记录每个序列位置在不同同源序列里的状态；另一类是“配对便签”，记录每两个残基之间的关系。前者像每位老师傅对某一处折痕的评价，后者像两张折痕之间“是否搭配、距离多远”的合作关系。

在具体实现中，MSA 表示会把残基本身的信息与多序列比对的原始特征拼接起来，再通过线性层转换到统一维度。配对表示则把相对位置编码和模板特征拼在一起，同样投影到统一空间。

两种便签准备好后，真正的主角 Evoformer 上场了。

ms,i=Linear⁡(xi⊕ms,iraw),zij=Linear⁡(rij⊕tij)\mathbf{m}_{s,i} = \operatorname{Linear}\left( \mathbf{x}_i \oplus \mathbf{m}^{\mathrm{raw}}_{s,i} \right), \quad\mathbf{z}_{ij} = \operatorname{Linear}\left( \mathbf{r}_{ij} \oplus \mathbf{t}_{ij} \right)
两个公式描述同一件事：把不同来源的证据拼接后，用线性层整理成网络能消化的固定维度向量。
  1. 拼接操作$\oplus$ 表示把两个向量首尾相连，好比把两张便签钉在一起。
    xi⊕ms,iraw\mathbf{x}_i \oplus \mathbf{m}^{\mathrm{raw}}_{s,i}
  2. 线性投影$\operatorname{Linear}(\mathbf{u}) = \mathbf{W}\mathbf{u} + \mathbf{b}$，把拼接后的高维向量压缩到统一大小。
    Wu+b\mathbf{W}\mathbf{u} + \mathbf{b}
  3. 配对表示$\mathbf{z}_{ij}$ 是残基 $i$ 与残基 $j$ 的配对向量，$C_z$ 是它的通道数。
    zij∈RCz\mathbf{z}_{ij} \in \mathbb{R}^{C_z}

Evoformer与几何：审图室里的双向沟通

Evoformer 是 AlphaFold2 中最重要的“审图室”，由许多 Transformer 块堆叠而成。它手里始终拿着两张表：MSA 表示和配对表示。MSA 表回答“大家怎么看这条折痕”，配对表回答“两条折痕之间怎么配合”。两个表不是各看各的，而是不断互相更新，这就是双表示协同。

为了不让计算量爆炸，Evoformer 没有对整张 $L \times L$ 的图做全局注意力，而是使用轴向注意力：先沿着序列行看一遍，再沿着列看一遍。同时，外积求和会把 MSA 中多个序列的共识凝聚成配对特征，相当于把几十个师傅的意见汇总成一张折痕合作图。另外，三角几何更新让每三个残基之间的折痕信息互相校验，避免出现“A 能折到 B、B 能折到 C、但 A 折不到 C”的矛盾。

审图室讨论结束后，工坊终于要到真正动手折纸的车间了。

ms,i′=∑jαijvj,αij=softmaxj(qi⊤kjd+zij),zij′=zij+Linear⁡(∑kg(zik)⊙g(zkj))\begin{aligned}\mathbf{m}'_{s,i} &= \sum_j \alpha_{ij}\mathbf{v}_j, \quad \alpha_{ij} = \mathrm{softmax}_j\left( \frac{\mathbf{q}_i^\top \mathbf{k}_j}{\sqrt{d}} + \mathbf{z}_{ij} \right),\\\mathbf{z}'_{ij} &= \mathbf{z}_{ij} + \operatorname{Linear}\left( \sum_{k} g(\mathbf{z}_{ik}) \odot g(\mathbf{z}_{kj}) \right)\end{aligned}
第一行是带配对偏置的注意力，第二行是三角消息传递：用 $i \to k$ 和 $k \to j$ 的信息来更新 $i \to j$。
  1. 查询、键、值$\mathbf{q}_i, \mathbf{k}_j, \mathbf{v}_j$ 由输入向量分别乘三个权重矩阵得到。
    qi=WQms,i\mathbf{q}_i = \mathbf{W}_Q \mathbf{m}_{s,i}
  2. 缩放点积加偏置点积除以 $\sqrt{d}$ 后，再加上配对表示 $\mathbf{z}_{ij}$，让注意力自动参考折痕合作信息。
    qi⊤kjd+zij\frac{\mathbf{q}_i^\top \mathbf{k}_j}{\sqrt{d}} + \mathbf{z}_{ij}
  3. Softmax 加权求和所有 $j$ 的权重归一化后，对 $\mathbf{v}_j$ 加权求和，得到更新的 MSA 表示。
    ∑jαijvj\sum_j \alpha_{ij} \mathbf{v}_j
  4. 三角消息传递对每个中间残基 $k$，把 edge $(i,k)$ 和 $(k,j)$ 的信息逐元素相乘后求和，再更新配对表示。
    ∑kg(zik)⊙g(zkj)\sum_k g(\mathbf{z}_{ik}) \odot g(\mathbf{z}_{kj})

结构模块：从图纸到三维坐标

结构模块是 AlphaFold2 的“双手”。它接收 Evoformer 输出的 MSA 表示与配对表示，为每个残基生成一个刚体框架，也就是一个局部坐标系。每个残基的坐标不是凭空出现，而是由这些局部坐标系的旋转和平移决定。最核心的机制叫不变点注意力，它保证整套预测不随蛋白质整体旋转或平移而改变。换句话说，纸雕放在桌上还是拿在手里折，结果都一样。

这种不变性来自一个巧妙设计：计算注意力时，先把每个点到对应残基局部坐标系里，再比较距离。这样即使整体旋转 90 度，局部坐标距离也不会变。

结构模块每次只折出一个“半成品”，但 AlphaFold2 不会就此收工，它会回到审图室再来一轮。

αij=softmaxj(qi⊤kj−w∥Ti−1(pi)−Tj−1(pj)∥2)\alpha_{ij}=\mathrm{softmax}_j\left( \mathbf{q}_i^\top \mathbf{k}_j - w \left\|T_i^{-1}(\mathbf{p}_i)-T_j^{-1}(\mathbf{p}_j)\right\|^2 \right)
公式中的 $T_i^{-1}$ 把全局坐标转到第 $i$ 个残基自己的局部坐标系，因此对整体旋转平移保持不变。
  1. 刚体框架每个残基 $i$ 有一个旋转矩阵和平移向量组成的框架。
    Ti=(Ri,ti)T_i = (R_i, t_i)
  2. 局部坐标把点 $\mathbf{p}_i$ 用 $T_i^{-1}$ 转到残基 $i$ 的局部坐标，这是“不变”的关键。
    pilocal=Ti−1(pi)\mathbf{p}_i^{\mathrm{local}} = T_i^{-1}(\mathbf{p}_i)
  3. 距离惩罚项两个局部点距离越远，注意力分数越低，这相当于告诉模型“空间上远就不该强行连接”。
    −w∥⋅∥2- w \left\| \cdot \right\|^2
  4. Softmax 注意力权重归一化后得到每个残基对当前残基的影响权重。
    αij=softmaxj(⋅)\alpha_{ij}=\mathrm{softmax}_j(\cdot)

循环精化：折了又折，越折越准

现实中的折纸大师不会一次成功，往往会先折个大概，然后对着照片纠正细节。AlphaFold2 也采用循环精化：把上一轮结构模块输出的信息重新喂回输入，再跑一轮 Evoformer 和结构模块。训练时通常使用 3 次循环，每多一轮，模型就能多纠正一次偏差。

但循环带来一个麻烦：如果每一轮都完整反向传播，梯度会穿过多个循环步，导致训练显存和梯度不稳定。因此 AlphaFold2 在循环之间使用梯度阻断，也就是只让最后一轮的结果参与梯度回传，前面的循环虽然参与前向计算，但不再回传梯度。

经过几轮回炉，工坊还需要一把“尺子”来评判纸雕折得好不好。

h(t+1)=Structure(Evoformer(sg(h(t)))),t=1,2,3\mathbf{h}^{(t+1)}=\mathrm{Structure}\left( \mathrm{Evoformer}\left( \mathrm{sg}\left( \mathbf{h}^{(t)} \right) \right) \right),\quad t=1,2,3
$\mathrm{sg}$ 表示 stop-gradient，即“前向看得到，反向传不动”。
  1. 网络状态$\mathbf{h}^{(t)}$ 表示第 $t$ 轮的 MSA 表示与配对表示。
    h(t)=(M(t),Z(t))\mathbf{h}^{(t)} = (\mathbf{M}^{(t)}, \mathbf{Z}^{(t)})
  2. Evoformer 更新先让审图室讨论一轮。
    h~(t)=Evoformer(h(t))\tilde{\mathbf{h}}^{(t)} = \mathrm{Evoformer}(\mathbf{h}^{(t)})
  3. 梯度阻断$\mathrm{sg}$ 把梯度截断，数学上等价于让上一轮的输出像常数一样不参与求导。
    ∂h(t)∂h(t−1)=0\frac{\partial \mathbf{h}^{(t)}}{\partial \mathbf{h}^{(t-1)}} = 0
  4. 结构模块输出最后用结构模块把状态变成三维坐标，进入下一轮或输出最终结果。
    h(t+1)=Structure(h~(t))\mathbf{h}^{(t+1)} = \mathrm{Structure}(\tilde{\mathbf{h}}^{(t)})

损失与工程优化：裁判的量尺与量产武器

训练 AlphaFold2 时，裁判不能只看整体像不像，因为蛋白质常常有多个相对运动的结构域。FAPE 损失在每次测量前，先把预测原子和真实原子都转到某个残基的局部坐标系里，再计算距离。这就像裁判不站在房间中央，而是站在每个氨基酸的肩膀上，用该位置自己的尺子量误差。误差过大时还会做截断，防止个别离谱原子主导梯度。

除了 FAPE，训练还有辅助损失：距离直方图损失用来预测残基对之间的 Cβ 距离分布，pLDDT 置信度损失让模型学会对自己每个残基的预测打分。工程上，AlphaFold2 通过裁剪训练样本、梯度阻断、TPU 并行等手段控制显存与训练时间。正是这些设计，让 AlphaFold2 在 CASP14 上一鸣惊人，精度接近实验方法，并随后开源了模型与推理代码。

至此，AlphaFold2 这座“AI 折纸工坊”的完整流程已经清晰：输入数据、构建表示、Evoformer 审图、结构模块动手、循环精化、FAPE 裁判打分。

LFAPE=1N∑i,jmin⁡(∥Ti−1(xjpred)−Ti−1(xjtrue)∥,dmax⁡)\mathcal{L}_{\mathrm{FAPE}}=\frac{1}{N}\sum_{i,j} \min\left( \left\| T_i^{-1}(\mathbf{x}^{\mathrm{pred}}_j) - T_i^{-1}(\mathbf{x}^{\mathrm{true}}_j) \right\|, d_{\max} \right)
FAPE 的核心思想是“在局部坐标系里量误差”，并截断过大误差，让训练更稳定。
  1. 局部坐标转换把第 $j$ 个原子的预测坐标和真实坐标都转到第 $i$ 个残基的局部坐标系。
    xj↦Ti−1(xj)\mathbf{x}_j \mapsto T_i^{-1}(\mathbf{x}_j)
  2. 逐点误差计算两个局部坐标的欧氏距离。
    ∥⋅∥\left\| \cdot \right\|
  3. 截断操作$\min(\cdot, d_{\max})$ 限制最大损失贡献，避免个别远距离原子过度影响梯度。
    min⁡(⋅,dmax⁡)\min(\cdot, d_{\max})
  4. 全局平均对所有残基、所有原子取平均，得到最终的 FAPE 分数。
    1N∑i,j\frac{1}{N}\sum_{i,j}

AI 应用场景

药物靶点结构预测

阶段：数据准备与模型推理

解决的问题：传统结构解析依赖 X 射线晶体衍射或冷冻电镜，周期长、成本高、有些蛋白难以结晶。AlphaFold2 可以先给出高置信度的候选结构，大幅缩小实验范围。

具体案例：某研发团队在研发新型抗体时，需要快速了解靶点蛋白的胞外结构域。他们先用 AlphaFold2 生成结构模型，再结合分子对接筛选候选表位，把原本数月的前期调研压缩到两周。

蛋白质设计与突变效应预测

阶段：模型微调与结果评估

解决的问题：设计或改造蛋白质时，需要估计单点突变会不会破坏三维结构。AlphaFold2 可用来比较突变前后的预测结构，辅助判断稳定性变化。

具体案例：酶工程团队想提高某工业酶的耐热性，对几十个候选突变逐一用 AlphaFold2 预测结构，再根据 FAPE 与 pLDDT 筛选出最可能保持折叠的突变体，后续实验验证成功率明显提升。

Python 演示

python47 行
import numpy as np  class MiniAF2:    def __init__(self, L=8, d=8, n_seq=4, seed=42):        rng = np.random.default_rng(seed)        self.L = L        self.d = d        self.n_seq = n_seq        self.msa = rng.normal(size=(n_seq, L, d))        self.pair = rng.normal(size=(L, L, d))        self.w_msa = rng.normal(size=(d, d)) * 0.1        self.w_pair = rng.normal(size=(d, d)) * 0.1        self.w_coord = rng.normal(size=(d, 3)) * 0.1     def evoformer_step(self):        m = self.msa.mean(axis=0)        outer = m[:, None, :] * m[None, :, :]        self.pair = self.pair + 0.05 * outer        triangle = np.einsum("ikd,kjd->ijd", self.pair, self.pair)        self.pair = self.pair + 0.01 * triangle        bias = self.pair.mean(axis=1)        self.msa = self.msa + 0.1 * bias[None, :, :]     def predict_coords(self):        rep = self.msa.mean(axis=0)        coords = np.einsum("ld,do->lo", rep, self.w_coord)        return coords     def structure_module(self, true_coords, steps=3):        for _ in range(steps):            self.evoformer_step()        coords = self.predict_coords()        return coords, self.fape(coords, true_coords)     def fape(self, pred, true, clip=5.0):        dist = np.linalg.norm(pred - true, axis=-1)        return float(np.mean(np.minimum(dist, clip)))  if __name__ == "__main__":    model = MiniAF2(L=8, d=8, n_seq=4)    rng = np.random.default_rng(1)    true_coords = rng.normal(size=(model.L, 3))    pred, loss = model.structure_module(true_coords, steps=3)    print("pred shape:", pred.shape)    print("FAPE-like loss:", round(loss, 4))
目的：用几十行代码演示 AlphaFold2 的“双表示更新 → 坐标预测 → 误差评估”主流程，便于理解核心模块之间的关系。
  1. self.pair = self.pair + 0.05 * outer把 MSA 共识通过外积信息写入配对表示，相当于汇总师傅们的意见。
  2. triangle = np.einsum("ikd,kjd->ijd", self.pair, self.pair)三角消息传递，用 $i \to k$ 与 $k \to j$ 更新 $i \to j$。
  3. coords = np.einsum("ld,do->lo", rep, self.w_coord)从残基表示线性投影出三维坐标。
  4. np.mean(np.minimum(dist, clip))截断后的平均距离误差，对应 FAPE 的截断思想。

常见误区

误区看到论文说“端到端可微”，就以为 AlphaFold2 只要输入一条氨基酸序列就能直接输出结构，完全不依赖参考数据。

正解端到端可微指的是“从输入到输出的整个计算图都能求导训练”，不代表零外部依赖。实际推理时，AlphaFold2 仍然需要从数据库中搜索同源序列构建 MSA，也常使用模板信息。这就像折纸大师手法再熟练，也得先看一眼参考照片。

为何常见：大家容易把“训练方式”和“输入条件”混为一谈，尤其当论文宣传“从序列到结构”时，省略了“借助 MSA 与模板”这一前提。

误区以为 AlphaFold2 就是把普通 Transformer 套在氨基酸序列上，自己“脑补”出三维结构。

正解Evoformer 使用轴向注意力，分别沿着 MSA 的行和列计算注意力，并在注意力分数里加入配对表示作为偏置。它维护的不只是序列表示，还有残基两两之间的配对表示。只看整条序列会丢失大量折叠约束。

为何常见：Transformer 在 NLP 里太深入人心，初学者容易忽略 AlphaFold2 专门为蛋白质几何设计的双表示结构。

误区听到“三角”就认为模型显式检查 $d_{ik} + d_{kj} \ge d_{ij}$，不满足就惩罚。

正解三角更新没有直接计算距离三角不等式，而是设计了一种消息传递路径：用 edge $(i,k)$ 和 $(k,j)$ 的信息更新 edge $(i,j)$。它让配对表示在反复迭代中自发学会几何一致性，属于结构先验，不是硬编码的几何公式。

为何常见：名字里的“三角”太有诱惑力，容易让人联想到数学中的三角不等式。

误区以为 FAPE 只是普通坐标误差，只不过把特别大的误差截断一下。

正解FAPE 会先对每个残基的框架做局部坐标转换，再计算距离。这样即使蛋白质整体旋转或两个结构域发生相对运动，损失也不会因为全局对齐方式而失真。截断只是其中一步，真正的关键是局部坐标系量误差。

为何常见：RMSD 是结构比较中最常见的指标，很多人先把 FAPE 类比成 RMSD，忽略了它“局部框架对齐”的本质。

面试题

Q1. AlphaFold2 输入中 MSA 的主要作用是什么？

单选题 · easy

  • A.提供同源蛋白的进化保守信息← 正确答案
  • B.直接给出最终三维坐标
  • C.仅用于计算 GPU 显存
  • D.替代模板的唯一数据源

答案：A。MSA 是多个同源序列的比对结果，能提供哪些位置在进化中稳定不变，帮助模型判断折叠关键区域。它不直接输出坐标，也不只是显存工具，更不是模板的替代品。

Q2. Evoformer 中同时维护的两种核心表示是？

单选题 · mid

  • A.MSA 表示和配对表示← 正确答案
  • B.序列表示和坐标表示
  • C.图像表示和文本表示
  • D.原子表示和键长表示

答案：A。Evoformer 的核心创新是同时维护 MSA 表示与配对表示，并在两者之间反复交换信息。坐标是结构模块的输出，图像和文本不属于蛋白质折叠任务的核心表示。

Q3. 下列哪些属于 Evoformer 的更新机制？

多选题 · mid

  • A.轴向注意力← 正确答案
  • B.外积求和← 正确答案
  • C.三角乘法更新← 正确答案
  • D.反向传播剪枝

答案：ABC。Evoformer 使用轴向注意力降低计算量，用外积求和把 MSA 信息汇总进配对表示，用三角更新约束几何一致性。“反向传播剪枝”是循环精化中的梯度处理技巧，不属于 Evoformer 内部更新机制。

Q4. 三角几何约束的核心思想是什么？

单选题 · mid

  • A.满足几何一致性← 正确答案
  • B.减少序列长度
  • C.提高训练速度
  • D.降低内存占用

答案：A。三角更新让每个残基对 $i,j$ 借助第三个残基 $k$ 接收更完整的消息，从而让配对表示在迭代中满足一致的几何关系。它不是用来缩短序列或省内存的。

Q5. 不变点注意力中的“不变”是指什么？

单选题 · hard

  • A.对整体旋转平移不变← 正确答案
  • B.对氨基酸序列不变
  • C.对 MSA 数量不变
  • D.对损失函数不变

答案：A。不变点注意力把点先转到残基自己的局部坐标系再比较距离，因此整体旋转或平移不会改变注意力结果。这与序列长度、MSA 数量或损失函数无关。

Q6. 循环精化中梯度阻断的主要作用是？

单选题 · mid

  • A.避免多层循环的梯度不稳定和显存压力← 正确答案
  • B.提高序列比对的速度
  • C.强制所有层共享权重
  • D.去掉模板特征的输入

答案：A。多次循环会让反向传播穿过很深的计算图，导致梯度不稳定并消耗大量显存。梯度阻断让前向计算照常，但反向梯度不再穿过前面的循环，从而稳定训练。

Q7. FAPE 损失主要用于衡量什么？

单选题 · easy

  • A.预测坐标与真实坐标的差异← 正确答案
  • B.氨基酸序列的相似度
  • C.MSA 的保守性
  • D.模板数据库的大小

答案：A。FAPE 是 Frame Aligned Point Error 的缩写，用来衡量预测结构中各原子相对真实结构的位置误差。它不评估序列相似度、MSA 保守性或数据库规模。

Q8. 以下哪些监督信号出现在 AlphaFold2 的训练中？

多选题 · hard

  • A.距离直方图损失← 正确答案
  • B.pLDDT 置信度损失← 正确答案
  • C.FAPE 坐标损失← 正确答案
  • D.密码子偏好损失

答案：ABC。AlphaFold2 除了用 FAPE 监督最终坐标，还训练残基对距离直方图，并让模型预测每个残基的 pLDDT 置信度。密码子是核酸层面的概念，与蛋白质结构预测无关。

Q9. AlphaFold2 在 CASP14 上的主要突破是什么？

单选题 · easy

  • A.预测精度接近实验方法← 正确答案
  • B.完全替代核磁共振
  • C.不需要任何实验验证
  • D.只用单序列预测结构

答案：A。CASP14 中 AlphaFold2 对多数靶点的预测精度已经接近实验方法，这是计算结构预测领域的里程碑。它没有完全替代实验，也没有宣称只用单序列就能达到同样效果。

Q10. 下列哪些做法能降低长序列训练时的内存压力？

多选题 · extreme

  • A.裁剪训练样本← 正确答案
  • B.梯度阻断回传← 正确答案
  • C.一次处理全长
  • D.无限增加序列数

答案：AB。AlphaFold2 训练时从一个蛋白质里裁剪局部窗口，降低 $L^2$ 级配对表示的体积；梯度阻断也减少了循环反传的显存开销。一次处理全长和无限增加序列数都会让内存问题更严重。