想象你收到一盒巨大的乐高城堡套装。厚厚的说明书第一页，写着一串零件的先后顺序：红色 2×4、蓝色 1×2、黄色斜坡……这串清单还看不出城堡的模样，但它是所有搭建的起点。按清单拼下去，你会发现局部总会出现两种熟悉的搭法：斜向交错而成的螺旋楼梯，和波浪起伏的手风琴墙。继续搭建，楼梯和墙被弯折、裹紧，一座立体塔楼出现了。最后，几座塔楼通过暗榫咬合，连成一座完整的城堡。这四步，恰好对应蛋白质的“一级、二级、三级、四级结构”。生命用 20 种氨基酸作为积木，搭建出执行一切生命功能的蛋白质机器；而 AI 从业者手中的深度学习模型，正在学会从那份“说明书”直接猜出整座城堡的全貌。

岗位关联

理解蛋白质四级结构，是 AI 进入药物发现与抗体工程的入场券：它决定你能否读懂 AlphaFold 的输入输出，能否设计出真正能折叠、能结合、能治病的蛋白质分子。

目录
  1. 可视化演示
  2. 一级结构：氨基酸序列
  3. 二级结构：局部折叠
  4. 三级结构：空间构象
  5. 四级结构：亚基组装
  6. 结构测定：三大实验方法
  7. AI预测：从序列到构象
  8. 设计应用：逆折叠与药物发现
  9. 抗体工程：Y形守卫塔
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示蛋白质一级到四级结构层级递进与AlphaFold AI预测流程，含肽链螺旋折叠组装全链路。

本节配有交互动效（进入视口后自动加载，约 3KB）。

蛋白质结构四级层级 一级：氨基酸序列肽键连接 二级：α螺旋β折叠氢键稳定 1° → 2° → 3° → 4° 从线性序列到三维折叠再到亚基组装。

一级结构：氨基酸序列

乐高说明书上的那串“零件编号清单”，就是蛋白质的一级结构。每个零件对应一种氨基酸，20 种标准氨基酸是生命常用的 20 种积木。它们共用一套“通用接口”——氨基和羧基，因此可以首尾咬合，一条接一条串成多肽链。这串顺序，决定了一切后续形态的可能。

氨基酸之间通过脱水缩合形成肽键。链有方向：氨基端（N 端）是头，羧基端（C 端）是尾，序列总按 N→C 书写。对 AI 模型来说，序列是最易得的原始特征：把 20 种氨基酸做成 20 维 one-hot 向量，一条长度为 L 的序列就变成 L×20 的矩阵，几乎和 NLP 里把句子变成词嵌入如出一辙。

序列的地位怎么强调都不过分：把清单里一块“红色 2×4”换成“蓝色 2×4”，城堡可能整体变形。镰刀型贫血正是因为血红蛋白 β 链第 6 位谷氨酸被换成了缬氨酸。序列是剧本，后面所有层级都是剧本的展开。

氨基酸1+氨基酸2→脱水缩合二肽+H2O\text{氨基酸}_1 + \text{氨基酸}_2 \xrightarrow{\text{脱水缩合}} \text{二肽} + \mathrm{H_2O}
两个氨基酸脱去一分子水后，用肽键连成二肽；不断重复，就长成一条多肽链。
  1. 反应物两个氨基酸分子分别提供氨基和羧基，等待缩合。
    氨基酸1+氨基酸2\text{氨基酸}_1 + \text{氨基酸}_2
  2. 脱水过程一个氨基酸的羧基与另一个的氨基反应，脱去一分子水。
    −COOH+−NH2→−CO−NH−+H2O-\mathrm{COOH} + -\mathrm{NH}_2 \rightarrow -\mathrm{CO{-}NH-} + \mathrm{H_2O}
  3. 生成肽键−CO−NH− 即肽键，把两个氨基酸残基连接成二肽。
    二肽=氨基酸1−氨基酸2\text{二肽} = \text{氨基酸}_1{-}\text{氨基酸}_2
  4. 链的延伸不断重复缩合，n 个氨基酸形成多肽链，方向从 N 端到 C 端。
    n 个氨基酸→多肽链n\ \text{个氨基酸} \rightarrow \text{多肽链}

二级结构：局部折叠

说明书里反复出现的“标准搭法”就是二级结构。最常见的两种：α螺旋像盘旋而上的螺旋楼梯，β折叠像手风琴的褶皱，由相邻肽段并排贴合而成。它们都由主链上的氢键维系：α螺旋中每个氨基酸的 C=O 与它后面第 4 个氨基酸的 N−H 形成氢键；β折叠则是相邻肽段之间交替形成氢键。侧链不参与这些规则图案。

从参数看，α螺旋每圈经过 3.6 个氨基酸残基，每个残基沿螺旋轴推进约 1.5 Å，因此一圈的螺距约 5.4 Å。预测一段序列里哪里是螺旋、哪里是折叠，是早期 AI 和统计方法的主战场。

就像城堡施工反复使用螺旋楼梯和手风琴墙这两种“标准工法”，蛋白质也靠这两套局部图案高效构造大尺度结构。但图案终究是局部拼图，整座塔楼如何成型，要看三级结构。

p=3.6×1.5 A˚≈5.4 A˚\displaystyle p = 3.6 \times 1.5\ \text{Å} \approx 5.4\ \text{Å}
螺距等于“每圈残基数 × 每个残基的轴向上升距离”，就像螺旋楼梯的一圈高度。
  1. 每圈残基数α螺旋每旋转一圈经过 3.6 个氨基酸残基。
    3.6 (残基/圈)3.6\ (\text{残基}/\text{圈})
  2. 单残基升距每个残基沿螺旋轴方向上升约 1.5 Å。
    1.5 A˚1.5\ \text{Å}
  3. 螺距计算二者相乘得到一圈的轴向高度约 5.4 Å。
    3.6×1.5=5.43.6 \times 1.5 = 5.4

三级结构：空间构象

把螺旋楼梯、手风琴墙弯折、缠绕、压紧，一座立体塔楼拔地而起。三级结构就是整条肽链在三维空间中的完整折叠，通常呈紧凑的球状：内部是“怕水”的疏水核心，表面是“亲水”残基，这是蛋白质在水中稳定存在的关键。

指挥折叠的力量来自侧链之间的多种作用力：疏水作用是头号驱动力，氢键、离子键、二硫键像铆钉一样固定局部，范德华力保证原子紧密堆积而不互相挤压。安芬森原则指出，一级结构已包含折叠所需的全部信息——变性后的核糖核酸酶在合适条件下能自行恢复活性。不过真实细胞中还有分子伴侣帮助新肽链避开错误折叠。

折叠过程像先按粗略草图把塔楼压成球，再微调内部管道。AI 要做的，就是越过漫长的折叠动力学，直接从序列预测这个“最优球体”。

E总=E键+E角+E二面角+E范德华+E氢键\displaystyle E_{\text{总}} = E_{\text{键}} + E_{\text{角}} + E_{\text{二面角}} + E_{\text{范德华}} + E_{\text{氢键}}
蛋白质的真实构象是让总能量最低的状态：所有键长、键角、扭转角和非键作用力共同打分。
  1. 键长项共价键偏离平衡长度会产生能量惩罚。
    E键E_{\text{键}}
  2. 键角项相邻键之间夹角偏离平衡值产生的能量。
    E角E_{\text{角}}
  3. 二面角项绕单键旋转的扭转势能，决定骨架走向。
    E二面角E_{\text{二面角}}
  4. 非键作用范德华力与氢键决定原子间“贴紧但不挤压”。
    E范德华+E氢键E_{\text{范德华}} + E_{\text{氢键}}

四级结构：亚基组装

一座塔楼也许还不够，城堡需要主楼、箭塔、库房，每座塔各自按说明书建好，再用暗榫咬合成整体。四级结构就是多条多肽链（亚基）通过非共价作用组装成的复合体。

经典案例是血红蛋白：两条 α 链加两条 β 链组成四聚体。亚基之间靠氢键、盐桥和疏水作用贴合，几乎不形成新的共价键。注意，只有多亚基蛋白才有四级结构，单体蛋白（如肌红蛋白）到三级就已具备完整功能。

四级结构带来 1+1>2 的协同效应：血红蛋白结合一个氧分子后，构象变化让其余三个亚基更容易结合氧，结合曲线呈 S 形，用希尔方程描述。

四座塔协同工作，城堡才能高效运转。四级结构界面也因此成为药物设计的重要靶点——拆开亚基间的咬合，往往能破坏病原蛋白的功能。

Yˉ=[S]nKd+[S]n\displaystyle \bar{Y} = \frac{[S]^n}{K_d + [S]^n}
希尔方程描述配体结合与浓度的关系，n 大于 1 时表示正协同：越结合越容易结合。
  1. 饱和分数\bar{Y} 表示受体被配体占据的比例，取值 0 到 1。
    Yˉ\bar{Y}
  2. 配体浓度[S] 是溶液中游离配体的浓度。
    [S][S]
  3. 希尔系数n 反映协同性，n>1 为正协同，血红蛋白约为 2.8。
    nn
  4. 解离常数K_d 是结合达到半饱和时的配体浓度，越小亲和力越强。
    KdK_d

结构测定：三大实验方法

想还原一座古城堡，光有说明书不够，考古学家还要“拍照”看真实模样。蛋白质的“城堡照片”来自三大实验方法：X 射线晶体学、冷冻电镜、核磁共振。

X射线晶体学需要把蛋白质培养成晶体，用 X 射线照射产生衍射图样，再根据布拉格公式反推电子密度图，是经典的高分辨方法。冷冻电镜把蛋白质快速冷冻在玻璃态冰中，用电子束直接成像，无需结晶，适合超大复合物。核磁共振在溶液中测定原子间距离约束，适合动态结构和小分子量蛋白。实验结果存入蛋白质数据库（PDB），目前已有超过 22 万个结构，是 AI 模型最宝贵的“训练照片集”。

有了海量“照片”，AI 终于可以从序列直接预测结构——这就是下一节的革命。

2dsin⁡θ=nλ\displaystyle 2d\sin\theta = n\lambda
布拉格公式描述了 X 射线在晶体原子层上的衍射条件，是晶体学重建结构的物理基础。
  1. 晶面间距d 是晶体中相邻晶面的距离，像乐高砖块间整齐的缝隙。
    dd
  2. 衍射角θ 是 X 射线相对晶面的入射角。
    θ\theta
  3. 衍射级数n 为正整数，表示波程差等于波长的第几倍。
    nn
  4. 波长λ 是 X 射线的波长，与晶面间距同量级时才会发生明显衍射。
    λ\lambda

AI预测：从序列到构象

实验测定一个结构往往要数月甚至数年，许多蛋白（如膜蛋白）极难结晶。AlphaFold 在 2020 年 CASP14 竞赛中横空出世：只给序列，就能预测出接近实验精度的三维结构，相当于把说明书直接翻译成城堡沙盘。

AlphaFold 的核心包含两个模块：Evoformer 在多重序列比对（MSA）上做自注意力计算，捕捉残基间的共进化信号——两个位置长期一起突变，说明它们在空间上可能靠得很近；结构模块再把抽象的二维关系转化为三维坐标。自注意力机制与 GPT 同源。

AlphaFold 还会输出每个残基的置信度 pLDDT（0-100 分）：大于 90 的区域可媲美实验结构，柔性环区往往低于 70 分。AI 预测是“高精度猜想器”而非显微镜，这一点在落地时至关重要。

Attention(Q,K,V)=softmax(QK⊤dk)V\displaystyle \mathrm{Attention}(Q,K,V) = \mathrm{softmax}\left(\frac{QK^{\top}}{\sqrt{d_k}}\right)V
每个残基用查询、键、值三组向量互相打分：先算“该关注谁”，归一化后加权聚合信息。
  1. 三组向量每个残基生成 Q（查询）、K（键）、V（值）三组向量。
    Q,K,VQ, K, V
  2. 相似度打分Q 与所有 K 做点积，分数越高表示两个位置越该互相注意。
    QK⊤QK^{\top}
  3. 缩放稳定除以 \sqrt{d_k}，防止向量维度大使点积过大、softmax 饱和。
    1dk\frac{1}{\sqrt{d_k}}
  4. 归一化权重softmax 把打分变成非负且和为 1 的注意力权重。
    softmax(⋅)\mathrm{softmax}(\cdot)
  5. 加权聚合用注意力权重对 V 加权求和，得到每个残基的新表示。
    ∑jwijVj\sum_{j} w_{ij} V_j

设计应用：逆折叠与药物发现

学会从说明书还原城堡后，反过来就是设计：先画出一座带空中花园的城堡，再写出对应的说明书。蛋白质设计就是先定义三维结构，再搜索能折叠成该结构的氨基酸序列。

这个反问题叫“逆折叠”。给定结构枚举满足空间约束的序列，再用能量函数打分筛选；生成模型（如扩散模型 RFdiffusion）能直接生成全新蛋白骨架。Rosetta 等能量函数用玻尔兹曼分布，把一个序列的合理程度转成概率：能量越低，概率越高。

应用遍地开花：酶工程改造天然酶以提高热稳定性或催化新反应；药物发现中设计小型结合蛋白去“抱住”病原蛋白的关键位点，像订制一块积木卡住城堡大门。AI 把设计空间从天文数字缩小到实验室可验证的几百个候选。

P(序列∣结构)∝exp⁡(−E(序列,结构)kBT)\displaystyle P(\text{序列} \mid \text{结构}) \propto \exp\left(-\frac{E(\text{序列},\text{结构})}{k_B T}\right)
给定目标结构，序列出现的概率与能量的负指数成正比——低能量、高匹配的序列最可能被选中。
  1. 条件概率给定目标三维结构时，某条序列出现的概率。
    P(序列∣结构)P(\text{序列} \mid \text{结构})
  2. 能量函数能量越低，序列与结构越匹配。
    E(序列,结构)E(\text{序列},\text{结构})
  3. 玻尔兹曼因子取 e 的 -E/kT 次方，低能态的概率指数级更高。
    exp⁡(−EkBT)\exp\left(-\frac{E}{k_B T}\right)
  4. 温度调节k_B T 越大筛选越宽松，越小越“挑剔”。
    kBTk_B T

抗体工程：Y形守卫塔

抗体是免疫系统中 Y 形的“守城卫士”，能精准识别并捕获入侵者。把天然抗体改造成药物，是生物制药的核心方向。Y 字顶端两臂是可变的抗原结合区，直接接触抗原的互补决定区（CDR）像“抓手”；Y 字底部是恒定区（Fc），负责召唤免疫细胞。

抗体工程三大任务：人源化——把鼠源抗体改造得接近人源以降低免疫原性；亲和力成熟——提升 CDR 与抗原的结合强度；成药性优化——提高热稳定性与可生产性。结合强度用解离常数 K_d 衡量，K_d 越小亲和力越强。

AI 如今可直接在 CDR 环区做序列生成与打分，一次筛出百万级候选，再回实验室验证。读懂了四级结构，你就读懂了这座“守卫塔”的设计与改造。

Kd=[L][R][LR]\displaystyle K_d = \frac{[L][R]}{[LR]}
解离常数是游离配体、游离受体和复合物三者浓度的平衡比值，越小表示结合越牢。
  1. 游离配体[L] 是未结合的抗原（或药物）浓度。
    [L][L]
  2. 游离受体[R] 是未结合的抗体浓度。
    [R][R]
  3. 复合物[LR] 是结合形成的复合物浓度。
    [LR][LR]
  4. 比率含义K_d 等于解离方向与结合方向的平衡比值，越小越紧握。
    [L][R][LR]\frac{[L][R]}{[LR]}

AI 应用场景

靶点结构预测与口袋发现

阶段：结构预测与特征提取

解决的问题：传统药物发现依赖实验结构，膜蛋白靶点结晶困难、周期漫长。AlphaFold 可批量预测全蛋白质组结构，再结合几何算法定位结合口袋，为分子对接与虚拟筛选提供起始坐标。

具体案例：某 AI 制药团队用 AlphaFold2 预测 SARS-CoV-2 主蛋白酶结构，结合口袋分析筛选出数十个候选抑制剂，将先导发现周期从数年缩短到数月。

抗体亲和力成熟与序列生成

阶段：序列生成与打分优化

解决的问题：人工改造抗体 CDR 依赖高通量筛选，成本高、周期长。AI 用生成模型产出 CDR 变体，再用结构预测加能量函数打分排序，把实验验证聚焦到几十个高潜候选。

具体案例：某生物技术公司对 PD-1 抗体 CDR 环区做 AI 定向进化，获得 K_d 提升 30 倍且保持特异性的候选抗体，已进入临床前开发。

全新蛋白 binder 设计

阶段：分子生成与结构验证

解决的问题：天然蛋白不一定适合“抱住”特定靶点。AI 生成模型可以零基础设计一个全新的小蛋白，专门结合靶点表面凹陷，像定制一块专卡城堡大门的积木。

具体案例：研究团队用 RFdiffusion 生成针对流感病毒血凝素的全新结合蛋白，实验验证亲和力达纳摩尔级，全程无需天然抗体骨架。

Python 演示

python63 行
# 蛋白质一级结构到结构倾向的 AI 特征工程演示AMINO_ACIDS = 'ACDEFGHIKLMNPQRSTVWY' # 简化版螺旋倾向表（数值越大越容易形成 alpha 螺旋）HELIX_PROP = {'A': 1.42, 'E': 1.51, 'L': 1.21, 'M': 1.45, 'Q': 1.11,              'K': 1.16, 'R': 0.98, 'H': 1.00, 'D': 0.67, 'N': 0.67,              'F': 1.13, 'Y': 0.69, 'W': 1.08, 'I': 1.08, 'V': 1.06,              'T': 0.83, 'S': 0.77, 'P': 0.57, 'G': 0.57, 'C': 0.70} def one_hot(seq):    """将氨基酸序列编码为 20 维 One-Hot 矩阵"""    vec = [[0.0] * 20 for _ in range(len(seq))]    for i, aa in enumerate(seq.upper()):        if aa in AMINO_ACIDS:            vec[i][AMINO_ACIDS.index(aa)] = 1.0    return vec def group(aa):    """按氨基酸性质分组：H=疏水, P=极性/带电, C=其他"""    if aa in 'AVILMF':        return 'H'    if aa in 'RKHDENQ':        return 'P'    return 'C' def helix_propensity(seq, window=7):    """滑动窗口计算每个残基的螺旋倾向得分"""    res, seq = [], seq.upper()    for i in range(len(seq)):        lo = max(0, i - window // 2)        hi = min(len(seq), i + window // 2 + 1)        res.append(sum(HELIX_PROP.get(a, 0.5) for a in seq[lo:hi]) / (hi - lo))    return res def predict_secondary(seq):    """按倾向得分粗判二级结构：H=螺旋 E=折叠 C=无规"""    return ''.join('H' if s > 1.0 else ('E' if s < 0.9 else 'C')                   for s in helix_propensity(seq)) def contact_map(seq, sep=8, width=40):    """预测疏水核心接触图：远距且双方疏水则记为接触"""    seq = seq.upper()    return [[1 if (abs(i - j) >= sep and group(seq[i]) == 'H'                    and group(seq[j]) == 'H') else 0            for j in range(width)] for i in range(width)] def main():    seq = ('MVLSPADKTNVKAAWGKVGAHAGEYGAEALERMFLSFPTTKTYFPHFDLSHGSA'           'QVKGHGKKVADALTNAVAHVDDMPNALSALSDLHAHKLRVDPVNFKLLSHCLLVT'           'LAAHLPAEFTPAVHASLDKFLASVSTVLTSKYR')    one = one_hot(seq)    print('序列长度:', len(seq))    print('One-Hot 矩阵尺寸:', len(one), 'x', len(one[0]))    pred = predict_secondary(seq)    print('预测二级结构(H=螺旋 E=折叠 C=无规):')    print(pred)    cm = contact_map(seq)    print('前40位疏水接触图(X=预测接触):')    for i in range(0, len(cm), 5):        print(''.join('X' if v else '.' for v in cm[i])) if __name__ == '__main__':    main()
目的：把血红蛋白 α 链的氨基酸序列编码成 AI 可用的 One-Hot 特征矩阵，并用滑动窗口粗判二级结构、预测疏水接触图，演示“序列→结构”特征工程的最小闭环。
  1. AMINO_ACIDS = 'ACDEFGHIKLMNPQRSTVWY'用 20 个字母代表 20 种标准氨基酸，这是 One-Hot 编码的“词表”。
  2. def one_hot(seq):把蛋白质序列变成 L×20 的数值矩阵，AI 模型吃的是这种数值特征。
  3. def helix_propensity(seq, window=7):滑动窗口扫描局部序列，体现“序列局部上下文决定二级结构倾向”的思想。
  4. def predict_secondary(seq):用简单阈值输出螺旋/折叠/无规的粗预测，是二级结构预测任务的最小原型。
  5. def contact_map(seq, sep=8, width=40):统计远距离疏水残基对，近似蛋白质接触图，正是 AlphaFold 等模型的预测目标之一。
  6. if __name__ == '__main__':保证代码既可被 import 复用，也能直接运行演示。

常见误区

误区我以为蛋白质是先完成一级结构，再逐段折成二级结构，最后才折成三级结构，像流水线一样一步一步来。

正解真实折叠是协同且高度动态的：肽链一诞生，局部区域会迅速形成瞬时螺旋或折叠，同时整体塌缩；二级结构在三级骨架定型过程中不断调整。乐高比喻里，塔楼不是先拼好所有斜墙再把墙折弯，而是边拼边弯边加固。

为何常见：教科书按一、二、三、四级依次介绍，容易让人误以为时间上也严格依次进行。

误区既然讲了四级结构，那蛋白质都必须由多条链组成，否则结构就是“不完整”的。

正解四级结构是“多条亚基组装”特有的概念，单体蛋白只有三级结构。肌红蛋白只有一条链，到三级就具备完整功能；血红蛋白这类多聚体才需要四级结构来讨论协同与组装。独栋塔楼也是一座完整建筑。

为何常见：教材常以血红蛋白为四级结构示例，容易以偏概全。

误区只要拿到氨基酸序列，有经验的人盯着看就能推出三维结构。

正解序列到结构的“折叠问题”困扰了科学家半个世纪：序列空间高达 20 的 L 次方，存在序列相似但结构不同、序列不同但结构相似的复杂情况。这正是 AlphaFold 用深度学习才取得突破的原因。哪怕说明书在手，不看图也很难凭空想象城堡全貌。

为何常见：“序列决定结构”这句话听起来简洁，让人低估了映射的高维度与非线性的难度。

误区蛋白质里的 α 螺旋和 DNA 的双螺旋是一回事，都是双链缠绕的螺旋。

正解DNA 双螺旋是两条互补链通过碱基配对互相缠绕，每圈约 10 个碱基对；蛋白质 α 螺旋是单条肽链自身卷曲，每圈 3.6 个残基，靠主链 C=O 与 N−H 氢键维系。前者像双股麻绳，后者像独股弹簧或螺旋楼梯。

为何常见：媒体常把各种“螺旋”混为一谈，忽略了链数和每圈周期的本质区别。

误区AlphaFold 输出的 PDB 文件就是真实的实验结构，直接拿去做药物设计万无一失。

正解预测结构带有 pLDDT 置信度，柔性环区和无序区往往不可靠；突变、辅因子或 pH 条件变化都可能改变构象，必须先看置信度、再做实验验证。AI 是高效的“猜想器”，不是显微镜。

为何常见：媒体渲染“攻克蛋白质折叠”让公众以为问题已彻底解决，忽略了预测的不确定性。

面试题

Q1. 蛋白质的一级结构指的是？

单选题 · easy

  • A.氨基酸的排列序列← 正确答案
  • B.蛋白质三维构象
  • C.多个亚基的组装
  • D.螺旋与折叠图案

答案：A。一级结构是氨基酸通过肽键连接形成的线性序列，好比乐高说明书上的零件清单；三维构象属于三级结构，亚基组装属于四级结构，螺旋与折叠属于二级结构。

Q2. α螺旋结构中每圈包含约多少个氨基酸残基？

单选题 · easy

  • A.2.0 个残基左右
  • B.3.6 个残基左右← 正确答案
  • C.5.4 个残基左右
  • D.10.0 个残基左右

答案：B。α螺旋每圈约 3.6 个残基，每个残基沿轴上升约 1.5 Å，所以螺距约 5.4 Å，就像螺旋楼梯每级高度乘以一圈的级数。每圈 10 个碱基对是 DNA 双螺旋的参数，2.0 是常见的混淆值。

Q3. 维系蛋白质二级结构最主要的相互作用是？

单选题 · easy

  • A.主链之间氢键← 正确答案
  • B.侧链共价键连
  • C.疏水核心作用
  • D.金属离子配位

答案：A。α螺旋和β折叠都由主链 C=O 与 N−H 之间的氢键维系，侧链不参与规则图案；共价键、疏水核心和金属配位更多与三级结构的形成相关。

Q4. 血红蛋白的四聚体结构属于蛋白质的哪一级结构？

单选题 · mid

  • A.一级结构水平
  • B.二级结构水平
  • C.三级结构水平
  • D.四级结构水平← 正确答案

答案：D。血红蛋白由两条 α 链和两条 β 链共四个亚基组成，属于四级结构；它的氧结合呈现正协同，是“多塔协作”的经典案例，单体蛋白则没有这一层级。

Q5. 维持蛋白质三级结构的主要作用力包括？

多选题 · mid

  • A.氢键与盐桥← 正确答案
  • B.疏水相互作用← 正确答案
  • C.范德华力作用← 正确答案
  • D.每个肽键连接

答案：ABC。三级结构由氢键、盐桥、疏水作用、范德华力和二硫键等共同塑造；肽键是主链的共价连接，属于一级结构范畴，不是三级结构的维持力。

Q6. 关于蛋白质四级结构，下列说法正确的有？

多选题 · mid

  • A.由多条亚基共同组装← 正确答案
  • B.亚基间以非共价力维系← 正确答案
  • C.单体蛋白没有四级结构← 正确答案
  • D.亚基必须完全同一种链

答案：ABC。四级结构定义是多条亚基通过非共价作用组装；单体蛋白到三级即完整；亚基可以相同（同源四聚体）也可以不同（血红蛋白 α2β2），“必须同一种链”说法错误。

Q7. 关于蛋白质结构测定方法，正确的说法有？

多选题 · hard

  • A.X射线晶体学需要结晶← 正确答案
  • B.冷冻电镜无需培养晶体← 正确答案
  • C.X射线依赖布拉格公式← 正确答案
  • D.核磁共振只用于测量DNA

答案：ABC。X 射线晶体学依赖晶体产生衍射并遵循布拉格公式；冷冻电镜把样品冻在玻璃态冰中直接成像，确实无需结晶；核磁共振在溶液中测量蛋白质动态结构，并非只测 DNA。

Q8. AlphaFold 取得突破的核心模块是？

单选题 · hard

  • A.Evoformer注意力架构← 正确答案
  • B.经典卷积神经网络
  • C.长短期记忆循环网络
  • D.梯度提升决策树模型

答案：A。AlphaFold 的突破来自 Evoformer 自注意力架构加结构模块，在 MSA 上捕捉残基共进化信号；CNN 和 RNN 是 AlphaFold 之前的旧方案，梯度提升树不用于结构预测。

Q9. 关于 AlphaFold 输出的 pLDDT 分数，正确的理解是？

单选题 · extreme

  • A.数值越高预测置信度越高← 正确答案
  • B.数值越低结构越稳定
  • C.该分数与置信度无关联
  • D.该分数代表氨基酸数

答案：A。pLDDT 是每个残基的预测置信度，0-100 分越高越可信；它不是热稳定性指标，也不代表任何计数。大于 90 分的区域才可与实验结构媲美，柔性环区往往分数很低。

Q10. 抗体 Y 字形结构中直接识别并结合抗原的区域是？

单选题 · mid

  • A.重链恒定区
  • B.互补决定区← 正确答案
  • C.轻链恒定区
  • D.抗体铰链区

答案：B。抗体 Y 形顶端的互补决定区（CDR）直接接触抗原，决定特异性；恒定区与 Fc 负责效应功能，铰链区提供柔韧性，它们都不是直接识别位点。