AlphaFold 3跑出一个漂亮的复合物，配体端端正正卡在口袋里，截图往组会 PPT上一放，全场点头。散会后你把同一个文件丢进GROMACS，跑完100 ns回来一看——配体飞了，蛋白局部"炸"成一团毛线。于是结论出来了："还是不准。"
先别急着冤枉它。多数情况下，结构本身没那么离谱，是你少做了一步"翻译"：AF3交出来的是几何答案，分子动力学要的是一套物理体系。这两者之间，隔着 5 道工序。
30 秒看懂
-
AF3在"猜形状"，MD 在"算运动"，两者的输出根本不是一类东西。 -
AF3的结构缺MD必需的东西：氢原子与质子化状态、配体的力场参数、水/离子/膜这些环境。 -
最容易被忽略的一点：AF3自己就会标出"有没有原子打架"（has_clash），不看这个指标直接开跑，等于把雷留给积分器。
一、先分清：AF3在"猜形状"，MD 在"算运动"
AF3的内核是一个扩散模块：从一团噪声出发，一步一步"去噪"，最后落在一组原子坐标上，条件信息就是你要预测的序列（以及MSA等）。它是生成式的，默认一次给你5个候选样本（同一个seed采样5次），换个随机种子再跑，还会得到更多不一样的解[1][2][3]。
MD完全不同。它不猜，它算：给每个原子配好力场参数（键长、键角、二面角、静电、范德华），按牛顿方程一步步积分，输出的是随时间的轨迹。
一句话：AF3给你"一张概率很高的快照"，MD要"一套能守恒的物理规则"。快照不能当规则用，中间必须补课。
反过来说也成立：MD算不出"结构本该长什么样"，它只能回答"从这个起点出发会怎么动"。所以两者是接力关系，不是替代关系——这也是我们做大规模预测时反复强调的一件事。
二、AF3的输出，缺了MD必需的三样东西
第一样：氢原子和质子化状态。预测输出的坐标里通常不含氢（PDB/mmCIF 文件本身也常省略氢），氢要自己加；更关键的是同一个 His、Asp、Glu、Cys，在 pH7.4 下带不带电、带几个电，模型不替你决定。这一步一般交给PDB2PQR这类工具按pH自动分配质子化状态[4]。 电荷错一个，静电作用和氢键网络就变了样，跑出来的轨迹也就没法解释。
第二样：配体的"物理身份"。AF3能把小分子按原子级别放进口袋里（它把配体的每个原子当成一个token来建模），但给的是姿态，不是参数。要让配体在MD里守规矩，得补上它的键长、键角与电荷参数（GAFF、OpenFF这类力场，配AM1-BCC或RESP电荷）[2][5]。另外，官方在PoseBusters基准上报告过4.4%的手性违反率——跑之前顺手查一下手性，不然可能整篇结论都建立在"镜像分子"上[1]。
第三样：环境。真空里的蛋白不是蛋白。水、离子（生理条件常按0.15M 左右配）、以及膜蛋白要先插进膜里，这类体系搭建现在有CHARMM-GUI这类半自动流程，能省掉大半体力活[6]。
三、另一个隐藏雷：原子"打架"和低置信区
AF3偶尔会预测出重叠的原子。官方培训材料特别点名：当复合物里有两条以上相同的链（同源多聚体）时，有时会夸张到整条链重叠；不过在超过2000个token的大复合物里，这类错误很少见[2]。
好消息是模型自己会承认。输出里的has_clash指标，专门标记"某条链超过一半原子重叠，或单链重叠原子超过100个"的情况；官方排序分ranking_score里，这一项直接乘以−100[3]。 所以拿到结果第一件事不是感动，是看这个布尔值。
低置信区同样要处理。pLDDT低于50的区段，基本可以认为"预测大概率不对"；而且AF3是生成式模型，在无序区可能"幻觉"出并不存在的规则结构，比如一段漂亮的α螺旋[1][2] 。输出里还有一个 fraction_disordered，直接告诉你有多大比例的区域被判为无序——比例偏高的体系，先想清楚这些区段在模拟里到底要不要保留。总之低置信区要么截断、要么补全、要么加弱约束，别让它自由发挥[3]。
四、指标速查表 + 建体系 5 步
体检 5 步（按顺序做，别跳）：
- 看置信度
：pLDDT上色+PAE图+ipTM，先决定"这份结构值不值得用"。 - 清理与补全
：删tag、信号肽，截掉低置信loop，缺失残基按需补全。 - 定化学状态
：质子化、二硫键、金属配位，配体的力场参数与电荷。 - 建环境
：水盒、离子、膜（膜蛋白）、盒子尺寸与周期性边界。 - 先最小化再平衡
：能量最小化把冲突揉开，再做NVT/NPT平衡；跑生产之前用RMSD/RMSF 确认体系稳住了，最好多副本验证。
五、一句话记住
AF3负责"长得像"，MD负责"动得真"；中间那5步，才是从一张图到一个可信结论之间的距离。
#AlphaFold3 #结构预测 #分子动力学 #科研避坑 #科普
参考文献
[1] ABRAMSON J, ADLER J, DUNGER J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3[J/OL]. Nature, 2024, 630(8016): 493-500[2026-09-26].
[2] EMBL-EBI Training. AlphaFold: A practical guide — How does AlphaFold 3 work? / What AlphaFold 3 struggles with / How to assess the quality of AlphaFold 3 predictions[EB/OL]. [2026-09-26].
[3] Google DeepMind. AlphaFold 3 output documentation[EB/OL]. [2026-09-26].
[4] DOLINSKY T J, CZODROWSKI P, LI H, et al. PDB2PQR: expanding and upgrading automated preparation of biomolecular structures for molecular simulations[J]. Nucleic Acids Research, 2007, 35(Web Server issue): W522-W525.
[5] WANG J, WOLF R M, CALDWELL J W, et al. Development and testing of a general amber force field[J]. Journal of Computational Chemistry, 2004, 25(9): 1157-1174.
[6] JO S, KIM T, IYER V G, et al. CHARMM-GUI: a web-based graphical user interface for CHARMM[J]. Journal of Computational Chemistry, 2008, 29(11): 1859-1865.