AI 在生物学中的应用：AI 无法预测的未来

快速阅读: 据《心灵很重要》最新报道，AlphaFold在蛋白质折叠领域的突破仍有局限，尤其对内在无序蛋白效果不佳。这类蛋白功能依赖灵活性，现有AI模型难以准确模拟。解决此问题需突破传统研究范式，推动生命科学进步。

蛋白质折叠——蛋白质达到其功能性形状的过程，是生物学中最复杂的未解之谜之一。然而，AlphaFold在这一领域的突破并未彻底解决问题，因为现实远比宣传复杂。

人工智能在生物学中的应用虽然对锁定在单一构象中的蛋白质非常有效，但对那些内在无序的蛋白质却显得力不从心。这并非一时的技术缺陷，而是在数据集中蛋白质总是整齐折叠的情况下训练机器学习模型的基本限制。

许多对生命至关重要的蛋白质并不采用单一稳定的结构，它们的功能依赖于结构的灵活性。这使得人工智能在建模这些蛋白质时面临巨大挑战。AlphaFold的整体方法存在根本性缺陷，其成功建立在大量已有数据的基础上，而这些数据并不能充分反映蛋白质的实际动态特性。

一些对人类健康至关重要的蛋白质，特别是那些与癌症、神经退行性疾病及免疫信号相关的蛋白质，恰恰是人工智能最难建模的对象。这些问题不仅仅是技术上的不足，更是人工智能“革命性”主张根基上的根本裂痕。

例如，TIM-3就是一个典型案例。它并不是孤立的现象，而是广泛存在于生物学中的重要蛋白质。这些蛋白质通常具有内在无序区域（IDRs），它们不会固定为单一可预测的形状。然而，基于静态结构数据训练的人工智能模型却执意将其强制归类为单一形态，这种做法显然忽略了蛋白质动态变化的本质。

实验生物学几十年来一直在努力破解内在无序区域（IDRs）的奥秘，但收效甚微。无论是X射线晶体学还是冷冻电子显微镜（Cryo-EM），这些传统方法都无法有效应对这类蛋白质。核磁共振（NMR）光谱学虽然提供了一种动态视角，但仍不足以全面揭示IDRs的行为。

当前的挑战在于，不仅要找到快速预测稳定折叠的方法，还要在频繁且重要的内在无序案例上取得突破。无论是人工智能还是实验室技术，都需要从根本上改变现有的研究范式。只有这样，才能真正揭开蛋白质折叠的神秘面纱，推动生命科学的进步。

(以上内容均由Ai生成)