本节要点
- CASP14（2020）盲测断层式夺冠，是「它真的行」的第一个硬证据；
- 之后四种结构生物学方法在四种物理状态下交叉验证：晶体、冷冻包埋、溶液、活细胞；
- 最反直觉的是 NMR：预测更像溶液结构而不像晶体结构，说明它学到的不是晶体里的一张快照。
上一节讲的是“训练数据的边界决定了它能做什么”，这一节回答的是另一个问题：AlphaFold2 预测出来的结构，凭什么说它是真的？ 文章给的答案分成两条线：先在 CASP 竞赛里被盲测证明，再被多种独立的结构生物学实验反复验证。
一、AlphaFold 在 CASP 中的成功
CASP 是什么，为什么它算数
CASP（Critical Assessment of Structure Prediction，结构预测关键评估）从 1994 年开始，每两年办一次，任何人都可以参加。
它的方法学关键在这一句：待测蛋白的结构已经被实验解出来了（X 射线晶体学、NMR 或 cryo-EM），但在评估结束前不公开。参赛者提交预测后，组织方拿预测去和这些实验结构比对。
这才是它作为“考试”的价值——盲测。AlphaFold2 不可能在训练数据里见过这些结构（很多是“刚解出来、还没进 PDB”的），所以成绩好坏没法靠记忆条目糊弄过去。这也解释了为什么 CASP 的名次在结构生物学界分量这么重：评估方是独立的，题目是全新的。
CASP14（2020）：断层式夺冠
原文 Figure 7：CASP14（2020）累计得分最高的十个条目，AlphaFold2 遥遥领先。
Google DeepMind 在 2020 年用 AlphaFold2 参赛，“以很大的差距超过了所有其他参赛者”。
然后是这篇文章里最有信息量的一组数字：
- 在此之前，整体结构预测精度用 GDT_TS（Global Distance Test Total Score，全局距离测试总分）衡量时，只到过 60 左右。
- AlphaFold2 超过 90。
GDT_TS 是 0–100 的分数，衡量的是预测结构和实验结构“对得上”的程度，越高越吻合。原文没有展开它的算法，补充一句实现细节：它通常是在 1、2、4、8 Å 这几个越来越宽松的距离阈值上，分别统计落进阈值内的残基比例，再取平均——所以它对局部偏差不那么苛刻，反映的是整体骨架是否摆对。
60 到 90 不是“进步了一点”，是跨过了一个台阶：这个分数意味着预测结构已经贴近实验解出来的结构。CASP 的组织方因此宣告蛋白质折叠问题 “基本解决”（largely solved）——注意限定词，至少对单链蛋白而言。
原文 Figure 8：历年 CASP 的整体成功率曲线，2018 和 2020 两次跳升是被 AlphaFold 推上去的。
CASP13（2018）的对照：为什么那一次不算解决
DeepMind 2018 年就用早期版本的 AlphaFold 参加了 CASP13，拿了第一，但优势很小。而且那些预测的精度不够高，所以当时没有人认为折叠问题解决了。
这个对照值得记住：2018 到 2020 的跃迁是架构级别的，不是调参调出来的。同样是 DeepMind、同样是 CASP、同样拿第一，但只有 2020 那一次改变了领域对问题性质的判断。
CASP15（2022）：DeepMind 没来，但满场都是它
原文 Figure 9：CASP15（2022）的最高分条目，排名靠前的全部基于某个版本的 AlphaFold2。
2022 年的 CASP15，Google DeepMind 没有直接参赛。但所有排名靠前的团队，用的都是 AlphaFold2 的修改版或定制版。
原因就是文章里那句关键的因果：因为 Google DeepMind 把 AlphaFold 的源代码开源了，其他研究者才能在它上面继续做，有些情况下还做到了比官方标准版更好（引了 Elofsson 2023、Kryshtafovych et al. 2023）。
图里隐含的信息量其实很大：一个模型变成了一个生态。竞赛的第二名以后不再是“另一个模型”，而是“同一个模型的另一种改法”。
二、后续来自结构生物学的证据
为什么 CASP 之后还要验证
CASP14 里 AlphaFold2 成功了，但它预测的是几十个蛋白。自然界里的蛋白质有几百万种。
几十个样本、而且都是“适合做结构解析的靶点”，能不能外推到全空间？所以文章接下来列的是：后续实验者用各种方法继续给这个软件“加考”。
下面四条证据线，注意每一条都用了独立于 CASP 的方法论，而且覆盖了蛋白质的不同物理状态——这是它们能互相补强的原因。
证据一：X 射线晶体学里的分子置换
结构生物学家发现，AlphaFold2 产出的结构（或者是其中定义良好的部分，比如某个结构域）很适合当作分子置换的搜索模型（Barbarin-Bocahu & Graille 2022；McCoy et al. 2022；Millán et al. 2021）。
这里需要补一个背景概念：X 射线晶体学有个相位问题——衍射实验测到的是振幅，相位信息丢了，而算电子密度图两样都要。分子置换（molecular replacement, MR）就是解相位的一条常用路子：拿一个已知的、与目标相似的蛋白结构当“搜索模型”，把它在晶胞里试各种旋转和平移，找到位置后用它算出初始相位，再去解出目标结构。
所以这个证据的力度在于：如果 AlphaFold2 的模型能成功当搜索模型把结构解出来，就说明它跟真实的晶体结构足够接近——不接近的话，MR 是解不出来的。
证据二：冷冻电镜的电子密度图
AlphaFold2 的结构能很好地拟合进实验得到的 cryo-EM 电子密度图（Chojnowski 2022；Giri et al. 2023）。
这里说的是另一种验证方式：不是拿模型去解结构，而是反过来，看模型的原子坐标能不能“装进”实验密度图里。同样指向预测与实验数据的一致。
证据三：NMR——最反直觉的一条
前面两条都还有个潜在质疑：AlphaFold2 主要在蛋白质晶体数据上训练，它是不是只会“往晶体态上靠”？
于是第三条证据用 NMR（Nuclear Magnetic Resonance，核磁共振）来检验，因为 NMR 测的是溶液状态下的蛋白，不是晶体。用 AlphaFold2 模型去解释溶液 NMR 数据，绝大多数情况下拟合极好（Fowler & Williamson 2022；Tejero et al. 2022）。
文章点出了这条证据的真正含义：这说明 AlphaFold2 并没有那么偏向晶体态——尽管它主要是吃晶体数据长大的。
页面还给了一个具体例子（原文 Figure 10）：一个特化的酰基载体蛋白（acyl carrier protein）。AlphaFold 的预测（AlphaFold ID: AF-Q6N882-F1）更像 NMR 解出的结构（绿色，PDB ID: 2LPK），而不那么像对应的 X 射线晶体结构（灰色，PDB ID: 3LMO）（Tejero et al. 2022）。
这个例子有点反常识——一个“晶体数据喂出来”的模型，预测结果反而更接近溶液结构而不接近晶体结构。它想说明的是：AlphaFold2 学到的是某种更接近蛋白质本征构象倾向的东西，而不是死记晶体里的那一张快照。
原文 Figure 10：特化的酰基载体蛋白。绿色是 NMR 解出的结构（PDB ID: 2LPK），灰色是对应的 X 射线晶体结构（PDB ID: 3LMO），蓝色是 AlphaFold 的预测——它与绿色明显更贴合。
证据四：交联质谱
交联质谱（cross-linking mass spectrometry）的思路是：用化学交联剂把空间上彼此靠近的残基对共价连起来，酶切后上质谱，就能知道哪些残基曾经挨在一起——本质上是拿到一批距离约束。
结果：对单条蛋白链和蛋白-蛋白复合物，AlphaFold2 的预测在原位（in situ） 条件下大多数是正确的（Bartolec et al. 2023；McCafferty et al. 2023）。
“in situ”这个限定词是这条证据的独门价值：它测的是细胞内的生理环境，既不是晶体也不是纯化后的溶液。四条证据线到这里就凑齐了四种状态——晶体、冷冻包埋、溶液、活细胞环境。
文章的小结
把这些证据合起来看，文章给了两个结论：
第一，这些数据验证了 AlphaFold2 的准确性。
第二，它们提示 AlphaFold2 的模型可以用于多种研究应用。
一句话概括这一页：CASP 用盲测证明了它“能考高分”，四种结构生物学方法则分别在不同的物理状态下证明了它“考出来的答案是接近真相的”。下一节接着问的是更细的问题——这个答案到底有多准、误差有多大、哪些部分不能信。
上一节：AlphaFold 2 的强项与局限 · 下一节：AlphaFold 2 的预测有多准？ · 课程总览