蛋白质的三维结构是其执行生物学功能的核心基础，从酶的催化活性到抗体的免疫识别，都依赖于精准的空间构象。蛋白质结构预测的核心目标，是从一维的氨基酸序列推导出三维的天然构象，其基本原理始终围绕“序列如何编码结构”这一核心科学问题展开，可从理论基石、分子驱动力、主流预测策略三个层面系统解析。

一、核心理论锚点：Anfinsen法则
1972年，生物化学家克里斯蒂安·安芬森（Christian Anfinsen）通过核糖核酸酶的复性实验提出了具有里程碑意义的“Anfinsen法则”：在生理条件下，蛋白质的天然三维结构完全由其氨基酸序列决定，且天然构象是蛋白质在热力学上最稳定的状态。这一发现为结构预测奠定了根本逻辑——只要能破解序列与结构的对应关系，就能从线性肽链推导出空间构象。

Anfinsen的实验极具说服力：他用变性剂破坏核糖核酸酶的二硫键和氢键，使其完全解折叠为无规则卷曲的肽链；当移除变性剂后，肽链无需任何外界辅助，就能自发重新折叠为与天然结构一致的构象，并恢复全部催化活性。这证明，蛋白质的折叠信息早已编码在氨基酸序列中，天然结构是序列自主选择的“最优解”。

二、分子层面的驱动力：维持天然构象的核心作用力
蛋白质从线性肽链折叠为稳定三维结构，本质是一个寻找热力学最低能量状态的过程，背后由多种分子作用力协同驱动，其中最关键的包括：
1. **疏水相互作用**：这是蛋白质折叠的主要驱动力。肽链中的疏水氨基酸（如亮氨酸、苯丙氨酸）倾向于规避水环境，相互聚集形成蛋白质内部的“疏水核心”；亲水氨基酸（如丝氨酸、天冬氨酸）则暴露于分子表面，与水分子形成氢键。这种“疏水包埋”的趋势快速推动肽链折叠，构建起蛋白质的基本空间骨架。
2. **氢键**：是形成α-螺旋、β-折叠等二级结构的核心力量，广泛存在于肽链骨架的酰胺基与羰基之间；同时，侧链之间、侧链与水分子的氢键也进一步稳定了三维构象。
3. **范德华力**：分子间的弱相互作用，在蛋白质内部原子紧密堆积时维持构象的紧密性与稳定性。
4. **静电相互作用**：带正电与带负电的氨基酸侧链形成盐桥，或侧链与水分子的静电吸引，影响蛋白质局部构象的稳定性。

这些共同构建了蛋白质的“能量景观”，天然构象便是这片景观中的“能量低谷”——热力学最稳定的状态。

三、主流预测方法的核心原理
基于上述理论与分子机制，科学家发展出三类核心预测方法，其原理各有侧重，但均锚定“序列决定结构”的核心逻辑：
1. **同源建模（比较建模）**：原理基于进化的保守性。进化过程中，同源蛋白质（序列相似性较高）往往具有相似的三维结构，因为序列的保守性对应着功能与结构的保守性。该方法先从数据库中寻找与目标序列同源的已知结构作为“模板”，通过序列比对将目标序列映射到模板结构上，替换非保守区域的残基并优化构象，最终得到预测模型。当序列同源性超过30%时，预测准确率可达较高水平，是目前应用最广泛的方法。
2. **从头预测（Ab Initio）**：原理直接基于热力学与物理化学法则。该方法无需模板，通过构建包含疏水作用、氢键等能量贡献的物理势能函数，模拟肽链在虚拟环境中寻找能量最低构象的过程。其核心假设是天然结构为能量最低的稳定状态，但由于蛋白质构象空间极其庞大（含100个氨基酸的蛋白质构象数远超宇宙原子总数），早期仅能预测短肽结构；随着算力提升和势能函数优化，如今已能预测小型蛋白质的结构。
3. **深度学习驱动的预测**：原理基于大数据与模式识别。以AlphaFold为代表的模型，通过学习海量已知的序列-结构对，挖掘氨基酸序列中的共进化信息（即残基间的突变关联）、残基距离约束等隐藏模式。这类模型采用Transformer注意力机制，捕捉远距离残基的相互作用，结合物理规则生成结构预测。其本质是从数据中直接学习“序列→结构”的映射规律，实现了无模板的高精度预测，彻底突破了传统方法的瓶颈。

四、原理的统一与价值
无论哪种方法，底层逻辑都围绕Anfinsen法则展开：序列编码结构信息，分子作用力决定折叠趋势，不同方法只是从进化、热力学、数据模式等不同路径解码这一信息。这些原理的不断完善，推动结构预测从“猜想”走向“精准”，为抗体药物研发、酶工程改造、疾病相关蛋白质功能解析等领域提供了核心工具，持续解锁生命的分子奥秘。

本文由AI大模型（Doubao-Seed-1.8）结合行业知识与创新视角深度思考后创作。