AlphaFold 系列模型的成功，很大程度上来自这样一个事实：蛋白质序列中的氨基酸共进化信号（co-evolutionary signals）可以帮助推断空间接触关系。AlphaFold3 进一步把预测范围扩展到更复杂的生物分子相互作用，已经接近许多实验结构的准确度。
但问题也随之出现：AlphaFold3 的训练目标，本质上倾向于预测一个“最可能结构”。这对稳定、单一构象的蛋白非常有效；但对那些本来就存在多个构象状态的蛋白而言，这种预测会把动态性“平均掉”或“压扁”。
真实实验并不总是只看到一个构象。NMR 的核 Overhauser 效应（nuclear Overhauser effect, NOE）反映的是原子间距离信息；X射线晶体学中的电子密度（electron density, ED）可能包含多个交替构象（alternate conformations, altlocs）；cryo-EM 的静电势图（electrostatic potential map, ESP map）常常来自复杂复合物的平均信号。也就是说，实验本身看到的经常是“多个状态的投影”，而不是一个唯一答案。
这项研究的核心思路是：把 AlphaFold3 当成一个由序列条件化的结构先验（sequence-conditioned structural prior），再把实验数据作为似然项（likelihood），在扩散模型（diffusion model）的反向采样过程中加入梯度引导（gradient-based guidance）。通俗地说，不是让 AlphaFold3 自己闭门造车，而是在每一步生成结构时问一句：这个构象集合能否解释实验观测？
研究人员首先用泛素（ubiquitin）作为 NMR 结构确定的基准测试对象。泛素只有76个氨基酸，是结构生物学中的经典模型蛋白。传统 NMR 结构解析通常依赖 NOE 距离约束，再通过分子动力学（molecular dynamics, MD）寻找满足约束的构象集合。但这种方法可能计算成本很高，甚至小蛋白也可能需要数天。
研究人员让 AlphaFold3 接收 NOE 距离约束作为引导，生成实验一致的构象集合。结果非常直观：在总计 1212 条距离约束中，传统 PDB 结构集合 1D3Z 的约束违反比例为 24.9%，中位违反幅度为 0.39 Å；未引导的 AlphaFold3 约束违反比例为 26.5%，中位违反幅度为 0.34 Å；而 NOE 引导后的 AlphaFold3 约束违反比例下降到 15.7%，中位违反幅度降至 0.20 Å。
这组数字有两个含义。第一，AlphaFold3 原始预测并不天然等于实验结构集合，甚至在这项指标上略差于传统 NMR 结构。第二，只要把实验数据引入生成过程，模型就能明显减少与实验约束的冲突。
更重要的是，这不是通过单纯“调一个结构”实现的，而是通过生成一组更异质（heterogeneous）的构象来实现的。这点很关键，因为许多 NOE 信号本身可能来自多个构象的平均。一个构象解释不了的距离关系，可能需要一组构象共同解释。
在泛素的 1212 条 NOE 距离约束中，NOE 引导后的 AlphaFold3 将约束违反比例从未引导模型的 26.5% 降至 15.7%，中位违反幅度从 0.34 Å 降至 0.20 Å。
研究人员进一步引入了 N-H 键序参量（N-H order parameter, S²）作为独立验证。S² 是 NMR 自旋弛豫（spin relaxation）中常用来描述局部运动幅度的指标，数值越低，说明局部越柔性；数值越高，则说明越刚性。
传统 PDB 结构集合和未引导 AlphaFold3 都倾向于给出过于刚性的构象。NOE 引导后的 AlphaFold3 能更好地复现实验观察到的柔性与结构区域差异。进一步加入 S² 引导后，模型与实验 S² 的相关性达到 r = 0.93，误差指标 q = 0.06；作为比较，既往经过结构与动力学共同拟合的 PDB 集合 1XQQ 的相关性为 r = 0.87，q = 0.04。
如果一个结构模型在静态形状上看起来很漂亮，但不能解释实验测到的局部运动，它到底算不算“正确”？这项研究实际上推动了一个更严格的评价标准：结构模型不仅要长得像，还要能解释测量值，尤其是那些反映动态性的测量值。
为了避免只在泛素上“讲故事”，研究人员又测试了两个基准集：8个已知 AlphaFold3 容易预测错误的肽段，以及来自100蛋白 NMR 光谱数据库中的83个蛋白子集。合计 91个案例。
结果显示，与 PDB 中已有结构集合相比，NOE 引导的 AlphaFold3 在 70/91个案例中改善了距离约束满足情况，约为 77%。作为对照，未引导 AlphaFold3 只有 15个案例优于 PDB 结构集合，约为 17%。更直接的是，NOE 引导版本在所有案例中都优于未引导 AlphaFold3。
研究人员还测试了能量重加权（energy reweighting）策略。将力场预测能量整合进引导后，距离约束满足情况在 78个案例中改善，约为 87%，中位改善幅度约 20%。这说明实验数据和能量信息并不是互相替代，而是互补约束：实验告诉模型“哪些构象能解释观测”，能量项则提醒模型“哪些构象在物理上更合理”。
该研究也明确指出，这些集合应被理解为受实验数据和模型先验约束的后验结构假设（posterior structural hypotheses），而不是经过严格校准的玻尔兹曼平衡集合（Boltzmann equilibrium ensemble）。换句话说，它们更像“能解释实验的候选构象集合”，不能简单把每个构象权重解读为真实平衡态比例。
从个案到基准集：NOE 引导的 AlphaFold3 在 70/91 个案例中优于 PDB 已有结构集合；能量重加权后，改善案例达到 78/91，提示实验约束与能量约束具有互补价值。
X射线晶体学长期以来偏好单构象模型，但电子密度图中常常藏着局部柔性、弱密度、未建模区域和交替构象。AlphaFold3 对实验环境并不敏感，因此可能忽略配体、离子、晶体接触带来的局部构象变化。
该研究给出了多个很有代表性的案例。HSP90α 的晶体结构 6CYH 中，蛋白以二聚体形式存在，只有链A处于配体结合状态，链B邻近配体的环区构象与链A不同，而 AlphaFold3 对该区域预测较差。电子密度引导后，模型重新贴合实验密度，局部结构恢复到接近实验精度。
另一个例子是 Legionella pneumophila 蛋白 LPG2148 的晶体结构 5SUJ。该结构中两个链在同一个表面暴露环区都有缺失片段。电子密度较弱，传统模型没有明确建出这段结构。电子密度引导的 AlphaFold3 能在缺失区域提出更能解释稀疏密度的构象，而且局部实空间相关性优于普通 AlphaFold3 预测和常用的 PDBFixer 补全方式。
更有意思的是肽段建模。短肽往往高度依赖结合伙伴，AlphaFold3 单独预测时表现不稳定。论文中的一个18个氨基酸肽段来自 PAK2，并与 β-PIX 的 SH3 结构域结合。AlphaFold3 原始预测很差，但电子密度引导能把肽段重新拉回与实验密度一致的位置。这提示一个很实际的应用场景：在肽-蛋白复合物、弱密度片段和局部修模中，实验引导模型可能成为结构解析流程中的交互式助手。
蛋白晶体结构中常见交替构象，即同一片段在电子密度中显示两个或多个位置。传统建模依赖人工经验和局部密度判断。近期已有研究整理了 PDB 中大量 alternately located segments，显示即便对分离清晰、稳定存在的交替构象，AlphaFold3 这类结构集合预测器也往往不能复现实验分布。
该研究显示，电子密度引导 AlphaFold3 能捕获主链双峰分布（bimodal backbone distribution），并在不同分离程度下有效工作：从约 1 Å 的局部分离，到 数十 Å 的大幅构象差异。对于 5NVJ 的案例，电子密度引导模型还预测出此前未建模的 altloc 构象，并更好解释了电子密度。
这点对结构生物学非常实用。许多被视作“噪音”或“弱密度”的区域，可能并不是无意义，而是蛋白真实构象异质性的痕迹。模型如果能提出多个合理构象，再由实验人员验证，就可能减少人为偏见，也能提高旧数据重分析的价值。
cryo-EM 常用于研究大型蛋白复合物和纤维结构，但柔性区域分辨率往往有限。研究人员测试了胰岛素受体 IR-B、淀粉样β纤维（amyloid-β fibril）和 RIPK3 人源淀粉样纤维等案例。
在胰岛素受体 IR-B 中，研究包括对称的 apo 状态 8U4B 和结合三个 IGF2 因子的非对称构象 8U4E。AlphaFold3 倾向于把同源二聚体过度对称化（oversymmetrize），对非对称构象的大部分区域预测错误，即使对称部分也不完全准确。ESP 图引导后，模型构象与观测密度更加一致。论文中给出的密度交叉相关（density cross-correlation）显示，8U4B 中 AlphaFold3 为 0.54，ESP 引导后为 0.68；8U4E 中 AlphaFold3 为 0.29，ESP 引导后为 0.71。
在 amyloid-β 纤维 9FH1 中，AlphaFold3 完全错误预测了二聚化界面和二聚体单元结构，密度交叉相关只有 0.33；ESP 引导后提升到 0.73，接近实验模型的 0.76。
RIPK3 纤维的案例更进一步，因为它同时有 cryo-EM 和固态 NMR 数据。单独使用 ESP 引导时，密度拟合改善，但局部二面角和 NOE 约束仍不理想；联合使用 ESP、NOE 和二面角（dihedral angles）后，NOE 违反比例从 AlphaFold3 的 29.5% 降至 20.5%，二面角平均绝对误差从 25.1° 降至 14.7°，同时保留了合理的密度拟合。
这说明多模态实验数据不是简单叠加，而是在不同尺度上互相纠偏：cryo-EM 提供整体形状，NMR 提供局部距离和构象约束，二者结合才能避免“整体像、局部错”。
多模态启示：在 RIPK3 纤维中，联合 ESP、NOE 和二面角引导后，NOE 违反比例从 29.5% 降至 20.5%，二面角平均绝对误差从 25.1° 降至 14.7°。
这项工作的意义不只是“让 AlphaFold3 更准”。更准确地说，它改变了结构预测和实验数据之间的关系。
过去，结构预测常被看作实验结构的替代物；这篇论文展示的是另一种关系：预测模型可以成为实验解析的后验采样器（posterior sampler）。它不是取代 NMR、晶体学或 cryo-EM，而是把这些实验测量转化为生成构象集合的约束条件。
它的计算成本也很现实。该研究提到，典型情况下该方法只需数分钟级 GPU 时间，而传统多构象分子动力学方法可能需要数天。这意味着它有机会进入实际工作流，例如辅助 NOESY 谱解释、帮助晶体学修模、提出 altloc 候选、修复弱密度环区、改善 cryo-EM 柔性区域的原子模型，甚至对 PDB 历史数据进行大规模重分析。
但局限性同样清楚。第一，有限实验观测不能唯一决定真实构象分布，不同构象集合可能同样解释数据。第二，模型仍可能被低质量密度图、噪声或不充分约束误导。第三，当前实现主要集中在蛋白质，对配体、金属、翻译后修饰（post-translational modifications）、结构水和复杂对称性的处理仍有限。
因此，这项研究最值得关注的，不是“AlphaFold3 解决了蛋白动态问题”，而是提出了一条更稳健的路线：让生成式结构模型接受实验事实的约束，让结构不再只是一个坐标文件，而是一组可以被测量、被反驳、被继续优化的假设。
蛋白质结构预测的下一步，也许不会只是排行榜上 RMSD 再低一点，而是模型能否回答一个更接近生命真实状态的问题：在这些实验数据面前，这个蛋白到底有哪些可能的姿态？
参考文献
