AlphaFold3 原理深潜：Pairformer、原子扩散与置信度

AlphaFold3（AF3）的核心任务是：给定由不同生物分子和化学组分组成的输入，直接预测它们的联合全原子三维结构。

这页不再做代际历史比较，只解释 AF3 当前模型内部最重要的四件事：输入怎样统一表示、Pairformer 在做什么、扩散模块怎样生成坐标，以及置信度应该怎样解释。

1. 整体数据流

AF3 可以概括为：

sequence / ligand / ion / modification / template / MSA
                       ↓
                 input features
                       ↓
             single + pair representations
                       ↓
                   Pairformer
                       ↓
             conditioned representations
                       ↓
             atom-level diffusion module
                       ↓
              full-atom coordinates
                       ↓
               confidence outputs

模型不是先把所有分子“翻译成蛋白残基”，而是建立能够同时表达 polymer token 与原子级化学环境的统一表示。

2. token、single、pair 和 atom 是四个不同层次

理解 AF3 最容易混淆的是表示层级。

token

polymer 通常按 residue / nucleotide 组织 token；小分子等组分可以采用更细的原子级 token 化。

single representation

single representation 表示每个 token 当前的状态。官方论文中其通道维度为 384。

pair representation

pair representation 表示 token 两两之间的关系，形状类似 n × n × c；官方论文中的 pair channel 为 128。

atom-level representation

最终坐标生成必须落到真实原子。扩散模块会把 token 级条件与原子级特征结合，直接预测/去噪原子坐标。

这套多尺度表示是 AF3 能同时处理蛋白、核酸、小分子和离子的基础。

3. Pairformer：核心是关系建模

Pairformer 是 AF3 trunk 中的主处理模块。论文描述其输入和输出都是：

single representation；
pair representation。

官方架构使用 48 个 Pairformer blocks。

Pairformer 的关键价值在于持续更新 token 之间的关系表示。它包含三角乘法更新、三角注意力等 pair-processing 操作，使 (i,j) 的表示可以利用第三个 token k 的关系信息。

不要把三角更新解释成硬几何规则

一个常见错误是说：

“三角更新强制所有点满足三角不等式。”

这不是准确描述。三角操作是可学习的信息传播机制，帮助网络表达高阶关系和几何相关模式；它不是一个显式约束求解器，也不保证通过硬规则得到物理合法结构。

4. MSA 仍然存在，但不再主导整个 trunk

AF3 仍可使用 MSA 和 template 信息，但 MSA processing 被明显压缩。MSA 信息经过较小的 embedding / processing block 后汇入 pair representation，后续主要由 single 和 pair 表示继续传播。

因此 AF3 并不是“完全不需要进化信息”，而是不再让完整 MSA representation 贯穿后续主干网络。

这有助于统一处理那些天然不存在蛋白式 MSA 的化学组分。

5. 扩散模块直接作用于原子坐标

AF3 的结构生成模块直接处理 raw atom coordinates，并接收来自 trunk 的条件表示。

训练时，模型看到被不同程度噪声扰动的真实原子坐标，并学习恢复干净结构。推理时则从随机噪声出发，反复去噪得到最终坐标。

这个过程具有两个关键特点。

多尺度去噪

高噪声阶段更关注整体结构和组分相对摆位；低噪声阶段更强调局部几何和立体化学。

这使模型能够在同一生成机制中同时处理大尺度复合物结构和局部原子几何。

生成的是一个分布，不是唯一答案

扩散模型从随机噪声开始，因此不同 seed / sample 可以得到不同候选结构。

这点非常重要：多个样本之间的差异本身就是不确定性信息的一部分。如果某个 ligand pose 或界面在不同样本间大幅变化，即使单个结构看起来很漂亮，也应谨慎解释。

6. 不要用一条标准 DDPM 公式冒充 AF3 的完整训练目标

可以用“加噪—去噪”理解扩散思想，但 AF3 的实际训练包含专门的坐标处理、噪声调度、数据增强、distillation 和多项训练设计。

因此教程中写一个通用：

x_t = sqrt(alpha_bar_t) x_0 + ...

只能作为扩散模型的直觉，不应该标成“AF3 的精确训练公式”。讨论精确实现时应直接引用论文 Methods / Supplementary Methods 或官方代码。

7. 为什么生成式结构模型会产生 hallucination

扩散模块会输出局部几何明确的结构，即使模型对真实构象缺乏足够信息。

这意味着在：

intrinsic disorder；
flexible loop；
多构象体系；
缺少关键 ligand / cofactor；
缺乏足够序列或模板约束；

等情况下，模型可能生成“几何上像结构”的答案，但真实体系并不存在唯一稳定构象。

AF3 使用包括 cross-distillation 在内的训练策略降低这类问题，但不能完全消除它。

8. pLDDT：AF3 是 per-atom confidence

AF3 官方输出中的 pLDDT 是 per-atom confidence estimate，范围 0–100。

对于蛋白聚合物，它仍然可以帮助判断局部结构可信度；对于 ligand 和核酸，官方定义会根据与 polymer 的局部距离关系调整。

高 pLDDT 表示局部结构更有信心，但不证明：

ligand 真的结合；
界面具有生理意义；
功能状态正确。

9. PAE：看相对摆位，而不是局部折叠

PAE 估计 token j 在以 token i 为参考对齐时的相对位置误差。

它最适合回答：

两个 domain 相对方向是否稳定；
两条链的相对位置是否可信；
ligand / nucleic acid 相对蛋白的放置是否确定。

因此“局部 pLDDT 高 + 跨链 PAE 高”通常意味着：各组分自身可能合理，但复合物相对摆位仍不确定。

10. pTM、ipTM 与 chain-pair confidence

AF3 官方输出还提供：

ptm：整体结构的预测 TM-score；
iptm：整体界面层面的预测 interface TM-score；
chain_pair_iptm：特定链对的界面置信度；
chain_pair_pae_min：特定链对的 PAE 摘要；
chain_ptm / chain_iptm：链级指标；
clash 与 disorder 相关信息。

如果研究问题只关心一个特定 protein–ligand 或 protein–protein interface，应优先查看对应 chain / chain-pair 指标，而不是仅使用全局 ranking score。

11. 置信度不是相互作用证据

这些指标最合理的用途是：

对同一输入的多个样本排序；
找出模型不确定区域；
判断哪个 chain pair 值得进一步验证；
决定后续突变、MD 或实验结构工作的优先级。

它们不能单独证明真实亲和力、功能或细胞内相互作用。

12. 官方实现与许可

截至 2026-09-12：

官方源码仓库为 google-deepmind/alphafold3；
源码采用 Apache License 2.0；
模型参数与使用这些参数产生的输出受单独 Terms of Use / Prohibited Use Policy 约束；
官方本地实现面向 Linux + NVIDIA GPU，并需要单独准备模型参数和遗传数据库。

工程要求会随官方实现变化，因此部署文档应直接链接官方仓库，而不是把某个 GPU、显存或磁盘数字永久写死。

13. 最值得记住的四点

Pairformer 建模 token 间关系，不是硬几何约束器。
扩散模块直接在原子坐标上生成结构。
不同 sample 的差异也是模型不确定性信息。
pLDDT / PAE / pTM / ipTM 是计算置信度，不是实验相互作用证据。