AlphaFold3怎么用？

AlphaFold 3 没有面向公众的完整网页版，普通用户可通过官方 AlphaFold Server 在线提交少量预测，有算力的团队可本地部署字节跳动开源复现项目 Protenix-v1 做批量任务，制药企业则更适合用 NVIDIA BioNeMo 把结构预测接入完整研发管线。预测结果应视为假设，仍需湿实验验证。

AlphaFold 3 目前没有面向公众完全开放的「注册即用」网页版，普通用户最现实的路径是走 AlphaFold Server 提交任务，或者等开源复现版本成熟后本地部署——前者适合做少量预测，后者适合有算力和工程能力、想批量跑的团队。

下面把「怎么用」这件事拆开讲清楚，包括它是谁做的、能预测什么、有哪几条使用路线，以及目前生态里值得关注的几个替代方案。

先搞清楚 AlphaFold 3 是什么

AlphaFold 3 是谷歌 DeepMind 与 Isomorphic Labs 于 2024 年 5 月联合开发的生物分子结构预测人工智能模型，是 AlphaFold 系列的最新版本。它最关键的一次跨越，是首次突破了单一蛋白质结构预测的边界——不再只回答「这条蛋白质链长什么样」，而是把预测对象扩展到了蛋白质与其它生物分子之间的复合结构。

这一点对做药物设计、做分子机制研究的人意义很大，因为真实生物过程里，蛋白质几乎从不单独干活，它要和配体、核酸、离子等相互作用。AlphaFold 3 想解决的正是「它们怎么凑在一起」的问题，这也是它被归到「AI 科学计算」这个方向的原因。

它能预测什么：核心能力一览

结合官方定位和本站收录的资料，AlphaFold 3 的能力可以这样理解：

• 生物分子结构预测：这是它的基本盘，输入序列等信息，输出结构预测结果。
• 分子相互作用：这是它相比前代最大的增量，关注的是不同分子之间如何结合、如何形成复合体。本站也专门为「分子相互作用」设了品类入口，可见这是用户最关心的能力点之一。
• 面向真实科研流程：由 DeepMind 与 Isomorphic Labs 联合开发，本身就带着「服务药物研发」的取向，而不是纯学术玩具。

需要提醒的是：具体的输入格式、支持的分子类型清单、结果可信度区间，请以官网说明为准。这类模型的适用边界更新很快，凭记忆写反而容易误导。

实际怎么用：三条路线

路线一：AlphaFold Server（最省事）

这是 DeepMind 官方提供的在线提交入口，也是绝大多数非工程背景用户的第一选择。基本流程是：

1. 打开 AlphaFold Server 页面，登录账号；
2. 按页面提示填入你要预测的分子信息（序列等）；
3. 提交任务，等待计算完成；
4. 在结果页查看预测结构，下载结构文件，再拿到 PyMOL、ChimeraX 这类可视化工具里做分析。

它的好处是零部署、零环境配置，缺点是你能控制的东西少，任务量和用途也受官方规则约束。具体的使用额度、是否收费、商用限制，本站资料未收录，请以官网为准，不要听信二手转述。

路线二：等开源复现版本，本地部署

AlphaFold 3 发布后，社区很快出现了开源复现的尝试，其中本站收录的一个代表性项目是 字节跳动 Protenix-v1。

Protenix-v1 是字节跳动 Seed 团队在 2026 年初正式发布的全开源生物分子结构预测模型，定位很明确——开源生物分子预测的新标杆，直接对标 AlphaFold 3。对使用者来说，它的价值在于：

• 全开源：意味着你可以拿到代码和权重，自己部署、自己改、自己批量跑，不受在线服务的任务限制；
• 可复现、可审计：科研场景里这点很重要，审稿人问「你用的什么版本、参数怎么设的」，你能答得出来；
• 适合有算力的团队：本地推理需要 GPU 资源，个人笔记本基本别想，这是门槛也是自由度的代价。

如果你是要做批量筛选、要把预测嵌进自己的 pipeline，开源路线通常比在线服务更合适。项目地址可参考 Protenix。

路线三：走平台化工具，把预测接进药物研发流程

如果你的目标不是「预测一个结构看看」，而是「把它用在药物研发的某个环节」，那更值得关注的是平台型方案。本站收录的 NVIDIA BioNeMo 就是这一类。

NVIDIA BioNeMo 是英伟达公司专为生物制药行业开发的生成式 AI 平台，目标是加速药物研发全流程，从靶点识别一直到先导化合物优化。它和 AlphaFold 3 的关系不是替代，而是「工具箱」和「单件工具」的关系——BioNeMo 提供的是覆盖多个环节的模型集合和工程化能力，结构预测只是其中一环。对制药企业来说，这种平台化的思路更容易落地到实际管线里。可参考 NVIDIA BioNeMo。

三条路线怎么选

一个值得留意的行业动向

2026 年 6 月 20 日，2024 年诺贝尔化学奖得主、AlphaFold 核心架构师 John Jumper 离开了谷歌 DeepMind，加入 AI 初创公司 Anthropic。这条消息对使用者的直接影响是：AlphaFold 系列后续的迭代节奏、路线选择，可能会和过去几年不太一样。做长期技术选型的人，建议把「模型是否持续维护」也纳入考量，而不是只看当前指标。

给新手的几点实操建议

• 先明确你要回答的科学问题。是「这条蛋白折叠成什么样」，还是「这个小分子能不能结合上去」？前者和后者需要的输入、能得到的结论完全不同。
• 把预测结果当假设，不当结论。结构预测是计算推断，湿实验验证仍然是必要的，尤其是要做后续设计的时候。
• 别一上来就折腾本地部署。先用在线服务跑通一遍完整流程，知道输入输出长什么样，再决定要不要投入算力自建。
• 关注开源复现项目的更新。像 Protenix-v1 这类全开源方案，迭代速度快，值得放进技术雷达里定期看。

相关问题

AlphaFold 3 和 AlphaFold 2 最大的区别是什么？
核心区别在于预测对象的范围。AlphaFold 3 首次突破了单一蛋白质结构预测，把能力扩展到了生物分子之间的复合结构与相互作用。

没有 GPU 能用 AlphaFold 3 吗？
可以用在线提交的方式，不需要自己有显卡。但如果要批量跑或改造模型，本地部署就绕不开 GPU 资源。

Protenix-v1 和 AlphaFold 3 是什么关系？
Protenix-v1 是字节跳动 Seed 团队发布的全开源生物分子结构预测模型，被定位为开源生物分子预测的新标杆，直接对标 AlphaFold 3，走的是可自行部署的路线。

做药物研发该选 AlphaFold 3 还是 BioNeMo？
两者层级不同。AlphaFold 3 是结构预测模型，BioNeMo 是覆盖靶点识别到先导化合物优化的生成式 AI 平台。如果只是要结构预测，前者更直接；如果要把 AI 接进完整研发流程，平台型方案更合适。

AlphaFold 3 的使用是免费的吗？
本站资料未收录其收费与额度信息，请以官网公布的使用条款为准，不要依据第三方转述做判断。

参考链接

• 字节跳动 Protenix-v1 ↗
• NVIDIA BioNeMo ↗
• DeepMind
• 分子相互作用