问题——复合物结构“难题”制约科研与产业转化 蛋白质结构决定功能已是生命科学共识，但真实生理环境中，蛋白质往往以复合物形态参与信号传导、免疫应答、代谢调控等关键过程；相比单体蛋白，复合物涉及多链装配、构象变化以及结合界面差异，结构解析难度显著增加。长期以来，X射线晶体学、核磁共振、冷冻电镜等实验方法虽然精度高，但通常周期较长、成本较高且对样品要求严苛，导致不少重要复合物结构长期缺失，进而限制疾病机制研究的深化，也降低了药物靶点验证效率。 原因——算法进步叠加算力供给推动数据规模跃升 AlphaFold在蛋白质结构预测上取得突破后，结构生物学逐步进入“计算预测+实验验证”并行阶段。本次扩展聚焦复合物预测，一上源于模型持续迭代、对蛋白互作与装配规律的学习能力增强；另一方面也依赖高性能计算资源的集中供给。业内认为，复合物预测对计算吞吐和工程化能力要求更高，需要在大规模数据生成、质量评估、标准化存储与快速检索等环节形成体系化支撑。英伟达依托GPU算力平台及软件优化，使复合物预测数据能够批量产出，成为本轮扩容的重要支撑因素。 影响——数据供给扩容有望重塑分子互作研究范式 新增约170万个复合物预测结构，最直接的变化是结构数据更容易获取。对基础研究而言，更密集的结构覆盖有助于科研人员从“单点观察”转向“网络理解”，在更大范围内描绘细胞内分子互作关系，辅助解析信号通路的装配逻辑与关键调控节点。对疾病研究而言，复合物层面的结构信息可用于解释突变如何改变结合界面、影响装配稳定性并导致功能异常，为遗传病以及肿瘤有关通路异常等提供更直观的结构线索。 对药物研发而言，复合物结构往往对应蛋白—蛋白相互作用界面、变构调控位点与多靶点协同机制。更丰富的预测结构库有望提升早期筛选与靶点优选效率，缩短从机制假设到实验验证的迭代周期，并在一定程度上降低试错成本。同时，更多预测数据也将推动可计算生物学工具链完善，促进结构检索、注释、对接与模拟等下游应用的规模化落地。 对策——坚持“预测为先、实验为证”，完善标准与开放协作 需要强调的是，预测结构不等同于实验解析结构，其适用范围、误差边界与可信度评估仍是使用中的关键问题。业内建议，在扩大数据供给的同时，更强化质量分级、置信度标注与可追溯的评估体系，鼓励研究者将预测结果与冷冻电镜、质谱交联、突变实验等方法结合，形成验证闭环。数据库层面，应推进数据格式统一、元数据完善与接口易用，降低跨机构、跨学科使用门槛。学术界与产业界也需加强协作，在公共利益框架下推动开放共享与合规使用，让新增数据真正转化为可复用的科研能力。 前景——算力与生物数据深度融合或加速“结构化理解生命” 从趋势看，复合物预测数据的集中扩容意味着生命科学研究正在从“结构稀缺”走向更广泛的结构可及。随着多组学数据、单细胞数据与结构数据的融合加深，未来对动态构象、瞬时互作、膜蛋白复合体以及大分子机器装配过程的刻画能力有望提高。此外，围绕计算资源、数据治理与成果共享的国际竞争与合作也将持续升温。如何在提升研究效率的同时确保数据可靠、使用规范、结论可验证，将成为下一阶段的重要议题。
从“看见单个蛋白”到“理解蛋白如何协同工作”，复合物结构数据的扩充为生命科学研究打开了更贴近真实生物过程的窗口。要把海量预测结果转化为可靠的科学认识，仍需严谨验证、标准建设与开放协作同步推进。只有让数据、工具与实验形成高效闭环，算力驱动的结构资源才能更好服务于疾病防治与人类健康。