蛋白质是一切生命系统的物质基础，它们密切参与着人体从触发免疫反应到大脑思考的每一个生理过程。蛋白质结构决定蛋白质功能，蛋白质只有正确折叠为特定的三维结构，才能发挥相应的生物学功能。我们想要从分子水平上了解蛋白质的作用机制，就需要精确测出蛋白质的3D结构。对于一个复杂蛋白质结构的生物学实验测定方法，往往需要耗费大量的时间和成本，甚至还不一定准确。历史上，动辄有科学家耗费几年、几十年时间才能得到一个清晰的蛋白质三维结构。我们可以直接从氨基酸序列出发，利用计算机技术直接去预测蛋白质的三维结构吗？这一个问题也被称为蛋白质结构预测问题。蛋白质结构预测作为生物学里悬而未决的几大终极难题之一，近年来随着人工智能的发展，特别是深度学习方法的应用而曙光初现。2018年，谷歌

简报：2022年12月13日，在土耳其安塔利亚举行的第15届全球蛋白质结构预测竞赛（CASP）落下帷幕。CASP15官方宣布在蛋白质复合物结构模型质量评估组中，来自浙江工业大学张贵军课题组开发的GuijunLab-RocketX服务器（算法名：DeepUMQA系列），在蛋白质复合物界面接触残基精度评估赛道中排名第一，在综合评价指标上，GuijunLab-RocketX大幅度超越同类方法。课题组首次参加CASP，并受邀在CASP15研讨会中作模型质量评估组（EMA）优胜者首个报告。在全球持续蛋白质结构预测竞赛（CAMEO）中，截止发文日官网结果显示，张贵军课题组开发的DeepUMQA、DeepUMQA2以及ZJUT-GraphCPLMQA三个服务器，在CAMEO模型质量评估组赛道（CAMEO-QE）上，连续在最近“一年”、“六个月”、“三个月”、“一个月”、“一个周”评测周期中中均排名第一。背景1994

蛋白质是生命的基础，几乎存在于所有的生物过程中，解析蛋白质结构将有助于理解其功能和作用机制。测序技术的发展，使得快速且廉价地确定蛋白质的一级序列成为可能，目前在蛋白质序列数据库（Uniprot）中已经存在了2亿多条蛋白质序列数据。然而，通过实验测定蛋白质的三维结构仍然困难且昂贵。经过50年来结构生物学家坚持不懈的努力，截至2021年11月10日，蛋白质数据库（PDB）中也仅仅发布了183,954个蛋白质实验测定三维结构。其中，161,086个来自X射线晶体学，13,448个来自核磁共振NMR，8,971个来自低温电子显微镜cryo-EM，剩下的837个来自固体核磁共振、中子和电子晶体学等其它方法。因此，如何直接从氨基酸序列出发，预测精确的蛋白质三维结构一直是计算生物学家的梦想。2020年11月，DeepMind开发的AlphaFold二代程序在CASP14竞赛中，有三分之二的目标蛋白质预测结构达到了实验精度，甚至是对于预测困难（无足够同源模板或同源序列）的目标蛋白，也有三分之一的预测结构达到了实验精度。这也表明，深度学习算法可以根据蛋白质的线性序列预测蛋白质的三维结构。随后，DeepMind与欧洲生物信息学研究所（EMBL-EBI）合作，在蛋白质组尺度上进行结构预测，并发布了AlphaFold蛋白质结构数据库资源AlphaFold