根据目前可查的信息，近期确实有多项研究指出了人工智能在蛋白质结构预测上的具体失败案例和系统性局限，可以说批评和反思正成为该领域的一个重要声音。

这些研究揭示的“失败”并非指模型完全无用，而是揭示了它们在面对**动态性、特殊结构和实际功能**时的力不从心。主要体现在以下几个方面：

🧬 核心失败案例与系统性问题

1. 无法捕捉动态与无序：根本性的概念错位最大的挑战在于，当前的AI模型（如AlphaFold）本质上是为预测一个“静态结构”设计的，但许多蛋白质本身就是“动态艺术家”，依赖结构变化来执行功能。* **天然无序蛋白**：这类蛋白质在天然状态下没有固定结构，通过动态变化发挥功能。传统的单结构预测方法从根本上无法处理这种情况。CASP16竞赛的评估也显示，预测由柔性连接器相连的蛋白质结构域构象集合，目前仍是一个悬而未决的问题。* **动态构象集合**：大量蛋白质，包括药物靶点常见的**通道、转运蛋白**等，是在多个构象状态之间切换来工作的，而AI模型通常只给出一个“快照”。有综述明确指出，预测完整的蛋白动态构象景观是一项尚未解决的重大挑战。

2. 特定复杂场景下的严重失误* **D-肽手性预测失败**：一项2026年的研究测试了AlphaFold 3预测D-肽（含有非天然手性氨基酸的肽）结构的能力，结果堪称灾难。对于D-肽中手性中心的预测错误率平均高达**51%** ，这基本等于随机猜测，完全无法用于药物发现。* **多结构域蛋白错误折叠**：一项针对LicT和P1两种多结构域蛋白的研究显示，AlphaFold完全无法同时正确预测其所有结构域。这些蛋白的构象会因磷酸化或锌离子结合而发生动态变化，而AI模型给出了明显失真的预测。另一项发表在《科学报告》上的研究也强调了AI模型在处理多结构域蛋白的**相对空间取向**时常常严重偏离实验结果。

3. 系统性物理和化学偏见* **相互作用预测失真**：一项严格的物理学评估发现，AlphaFold2、AlphaFold3和ESMFold在预测分子间相互作用时存在广泛偏差。例如，在预测侧链的非共价相互作用时，AlphaFold模型的错误率约为**30%** ，而ESMFold的错误率高达**60%** 。这表明这些模型并未真正掌握底层的物理规则。* **结合特异性混淆**：一项大规模研究使用了超过**11000个**随机配对来测试AI模型区分真正蛋白-抗体结合与“假阳性”的能力。结果发现，AlphaFold3等方法虽然能生成看起来合理的复合物结构，但其内部的置信度评分**无法有效区分**正确与错误的配对。

💡 为什么会失败？这些失败并非偶然，背后有深层原因，理解它们可以帮助你更客观地看待AI预测结果：* **训练数据的偏差**：模型主要学习自X射线晶体学和冷冻电镜数据，这些数据本身可能受结晶环境或低温影响，只代表了蛋白质在特定条件下的“一种”状态，而非其在细胞内动态的“完整真相”。* **对“单一结构”的执着**：模型的设计目标和评价体系过度聚焦于预测一个“最佳”结构，忽略了蛋白质构象的多样性和环境依赖性，导致在处理动态、多构象的蛋白质时表现不佳。* **稀有和复杂样本的困境**：对于缺少充足同源序列信息的人类特有蛋白、膜蛋白，或是D-肽这类非常规分子，模型的预测准确性会显著下降。

💎 总结总的来说，近期的研究普遍认为，AI预测蛋白质结构的能力更像是一个需要谨慎使用和交叉验证的**强大“脚手架”**，而非绝对可靠的“最终答案”。它的主要失败在于**对蛋白质动态和复杂性的预测能力不足**。一个务实的做法是，将AI预测作为假设起点，并通过实验数据（如突变、生化分析）或更深入的计算模拟（如分子动力学）来验证和完善。