AlphaFold 之后：结构便宜了，然后呢
您手上有个刚拿到的蛋白，功能还没摸清。放在几年前，想知道它长什么样，得先把它表达、纯化出来，再一遍遍试结晶条件，运气好，送去做 X 射线晶体学或冷冻电镜；运气不好，一个博士从入学试到毕业，也没等来一张像样的结构图。而现在，您把氨基酸序列贴进一个模型，倒杯水的工夫，一个三维结构就转在了屏幕上。
这几乎是过去几十年里，结构生物学少有的、能让整个领域日常节奏都变一变的时刻。但这篇不打算教您怎么跑它——那是教程的事。只谈一件事：结构一旦变得这么便宜，您和这张图的关系就彻底变了。它该被当成什么，又绝不能被当成什么。
一件过去以年计的事，现在以分钟计
先把这件事的分量说清楚。测定一个蛋白的三维结构，长期是实验室里最硬的活之一：表达、纯化、反复试晶体条件、采集数据、解析——每一步都可能卡上很久，还得搭上运气。一张结构，往往就是一个课题好几年心血的产物，本身就够写成一篇论文。
AlphaFold2 做到的，是把「从序列预测结构」这件长期被认为极难的事，在很多情况下做到了足够可用，并在结构预测的公开评测（CASP）中取得了被普遍认可的突破。此后，海量蛋白的预测结构被公开发布，供人直接查询。于是「先去测个结构」这个曾经的大工程，对很多蛋白来说，缩成了一次近乎零成本的查询。
结构从「终点」变成了「起点」
真正的改变不在速度，在位置。
过去，一个蛋白的结构本身就是成果，是课题的终点——您耗掉大半个项目的力气，才把它请出来。现在结构便宜了，它就退到研究的最前端，成了起点。动手之前，您可以先调出预测结构看一眼：活性位点大概在哪，有没有像样的结合口袋，那个要命的突变落在了骨架的什么位置——再据此设计实验、缩小筛选范围、决定这条路值不值得走。
AI 在这里做的，不是替您下结论，而是帮您更早问出好问题。一个原本要等实验做完才敢提的假设，现在动手前就能先在结构上比划一遍。省下的往往不只是时间，还有那些「试了才知道方向错了」的沉没成本。
「预测」不是「测量」
这是最该讲清、也最常被含糊过去的一条。
实验测得的结构，是对分子真实状态的一次观测；预测结构，是模型根据已知数据推断出的「最可能的样子」。两者都叫「结构」，可信度的性质却完全不同——一个是看到的，一个是算出来的。把后者悄悄当成前者，是这套工具最常见的误用。
好在这类模型通常会附一份置信度标注，逐段告诉您哪里预测得有把握，哪里它自己也没底。这份信息千万别划过去：一段高置信度的核心骨架，和一段被标成低置信、很可能本就无序的区域，绝不能一视同仁地拿来讲故事。当您在图上看到一个漂亮的口袋，先问一句——这是模型有把握的地方，还是它在没把握处替您补出来的想象？
所以别指望拿一个预测结构去「证明」什么。它能给的，是一个有结构依据、可以拿回实验室去检验的假设，而不是替实验盖的那个章。
它还没解决的那些问题
除了「拿预测当验证」，还有一个更隐蔽的误读：把蛋白当成一张定住的照片。
真实的蛋白是会动的。它在不同功能状态间来回切换构象，和别的分子结合、解离——很多最关键的生物学，恰恰就发生在这些动态和相互作用里。而一次预测通常只给您一个静态快照，它可能是最稳定的那个构象，却未必是您正关心的那个。
于是有几类问题，眼下仍是公认的难点：分子的动态构象变化，多个蛋白拼成的复合物，蛋白与小分子或核酸之间的结合界面，以及一个点突变究竟会带来多大的功能后果。这些方向都在快速往前走，工具几个月就换一版，但「在进展中」不等于「可以闭着眼睛信」。碰上这类问题，预测结构最多是个有价值的参考，不是答案本身。分得清这条界，您就不会拿一个静止的快照，去解释一件本质上在动的事。
一张图到手，该按什么顺序看
把上面几条拧成一个动作，其实就是一套看图的顺序。
先看置信度，再看结构。低置信区域上的任何解读都先打个问号——那里往往正是模型在替您想象；高置信的核心骨架，才值得您认真端详。
把它当假设，不当结论。预测的产出是「值得一试的方向」，不是「能写进结果的事实」。凡涉及相互作用、复合物、构象变化这类动态问题，尤其保守，别把单一预测外推得太远。
最后一步永远回到实验，或找正交的独立证据交叉印证。预测替您省掉的，是前期那段费时费钱的探路；它省不掉、也不该省的，是最后那道验证。
压缩的是环节，不是判断
回到开头那个转在屏幕上的三维结构。AlphaFold 真正替您拿走的，是那几个月甚至几年的体力活和运气成分——纯化、结晶、一遍遍试条件的漫长循环。它没拿走、也拿不走的，是您对「这个结构到底意味着什么」的判断。
这大概就是 AI for Science 眼下最实在的样子：它不替您做实验，也不替您思考，只是把研究里某些又慢又贵的环节压掉，再把省出来的时间和心力，还给那些真正值得您去想的问题。用得好的人，靠的不是更信 AI，而是更清楚它的边界——省力的地方尽管省，该较真的地方，一步不少。