AlphaFold 是 DeepMind 开发的 AI 系统。一句话：给它一段蛋白质（protein）的氨基酸（amino acid）序列，它预测这条链在细胞里最可能折叠成什么三维（3D）结构。
蛋白质像一串珠子，20 种氨基酸按顺序连成链。链在水环境里会自发折叠，最终形状决定功能。实验测定结构很慢、很贵，比如 X 射线晶体学、冷冻电镜；序列却容易测。AlphaFold 学的是“序列→结构”的统计规律：训练时看大量已知结构，例如蛋白质数据库（PDB, Protein Data Bank）里的数据。
它的代表性思路是借助进化信号。同源蛋白在不同物种里序列会变，但空间上挨着的残基往往协同突变。把许多同源序列对齐，得到多序列比对（MSA, multiple sequence alignment），模型就能从“谁和谁一起变”推断接触关系。再用神经网络预测残基间距离、角度等约束，拼出三维坐标，并给每个残基置信度。生活化比方：你看过几万盘棋谱，输入开局，模型猜下一步最可能怎么走；它不是真的按物理定律算棋子。
这决定了它和相邻概念不同：
| 工具/概念 | 输入 | 输出 | 核心机制 |
|---|---|---|---|
| AlphaFold | 序列、MSA | 静态 3D 结构 + 置信度 | 深度学习统计规律 |
| 分子动力学（MD, molecular dynamics） | 初始结构、力场 | 原子运动轨迹 | 物理方程数值积分 |
| 分子对接（molecular docking） | 两个分子结构 | 结合姿态、打分 | 搜索加评分函数 |
所以，AlphaFold 不是通用分子模拟器。它不模拟折叠过程，不给时间轨迹，不计算自由能（free energy），也不解释化学反应的动力学。你想看“加热后蛋白怎么变性”，它不会给你一部电影；你想算药物分子结合强弱，通常还要 MD、对接或量子化学。低置信度区域、柔性连接区（linker）、多构象、配体诱导的构象变化，仍要实验和模拟验证。
对从业者，它是假设生成器：帮你做突变分析、找结构域、设计实验，而不是替代湿实验。对普通人，它加速理解疾病相关蛋白，但新药仍要一步步验证。具体能力边界以官方页面为准。