AlphaFold 蛋白質結構資料庫（AlphaFold DB）由 DeepMind 與 EMBL-EBI 於 2021 年聯合發布，至第四版已收錄超過 2.14 億個蛋白質的預測結構，涵蓋 UniProt 中幾乎所有已知蛋白質序列（Varadi et al., 2022）。
AlphaFold2 架構與方法學
AlphaFold2（Jumper et al., 2021）的核心創新在於 Evoformer 模組：輸入為多序列比對（MSA）和模板結構，通過交替的行注意力（row attention）和列注意力（column attention）更新 MSA 表示，同時以三角更新（triangular update）和三角注意力維護殘基對（pair representation）的幾何一致性。Structure Module 以等變 transformer 迭代精修 3D 座標，以 FAPE loss（Frame Aligned Point Error）監督訓練。在 CASP14 中，AlphaFold2 於自由建模（FM）目標的中位 GDT-TS 達 92.4（Jumper et al., 2021），遠超次佳方法。
信心指標與品質評估
pLDDT（predicted Local Distance Difference Test）為每個殘基的局部精度指標：> 90 表示高信心（backbone 精度 ~1 Å RMSD），70–90 為中等信心（主鏈可靠但側鏈可能不準確），< 50 通常對應固有無序區（IDR）或構象可塑區。PAE（Predicted Aligned Error）矩陣則評估殘基間相對位置的信心，對判斷結構域間排列尤為重要。
AlphaFold-Multimer 與蛋白質複合體
Evans et al.（2022）擴展 AlphaFold2 至多聚體預測：將多條鏈的 MSA 配對拼接後輸入 Evoformer，以交互作用界面的 DockQ 分數評估。在 CASP15 中表現優異但對瞬態或弱交互作用預測仍有困難。
對結構生物學的影響
AlphaFold DB 使得冷凍電鏡（cryo-EM）和 X 光晶體學的分子替換（molecular replacement）效率大幅提升——預測結構可直接作為搜索模型（Terwilliger et al., 2022）。藥物開發中，AlphaFold 結構已用於虛擬篩選和先導化合物優化（Ren et al., 2023），但活性位點側鏈構象的不確定性仍需分子動力學模擬或實驗驗證。
限制與前沿
AlphaFold2 預測單一構象，無法捕捉構象集合體（conformational ensemble）和變構調節。Wayment-Steele et al.（2023）嘗試以 MSA 亞取樣誘導多構象預測。AlphaFold3（Abramson et al., 2024）將架構擴展至小分子、核酸和翻譯後修飾的複合體預測，採用擴散模型（diffusion model）生成原子座標。