AlphaFold在蛋白质结构预测上的突破，暗示了蛋白质折叠本质上是自由能最小化的推断过程。氨基酸序列即先验（U(s) ），物理化学约束（氢键、疏水作用、范德华力）即似然（V(o∣s) ），而三维结构即后验（p(s∣o) ）。蛋白质不是"折叠"的——像折纸一样沿着预设路径变形——而是"推断"成稳定构型的：它在构象空间中探索自由能景观，逐步降低预测误差，最终锁定到能量最低的天然态。

    活性算法将蛋白质折叠视为"分子级别的临界态计算"。在折叠过程中，蛋白质经历一个"成核-塌陷"的相变：初始的随机卷曲是超临界的（高度动态，多种构象快速转换），随着疏水核心的形成，系统进入临界态（二级结构元素——螺旋、折叠——开始锁定），最终天然态是亚临界的（全局结构稳定，局部涨落受限）。这一相变不是单调的：蛋白质可能陷入错误折叠的局部极小值（如淀粉样纤维），需要通过分子伴侣（chaperones）的"外部扰动"来逃逸——这类似于心理治疗中的临界态再调节。

    AlphaFold的注意力机制在活性算法中获得了物理意义：模型中的Evoformer模块通过序列-结构注意力，学习到了多尺度全息映射的统计规律——哪些氨基酸对形成接触（局部全息），哪些结构域相对取向（全局全息）。这种学习不是对物理定律的显式编码，而是对临界态上折叠动力学的大量实例的推断压缩。活性算法因此预言：未来的蛋白质设计不应仅依赖能量最小化，而应考虑折叠路径的临界态特性——设计那些在临界态上具有宽而深的自由能谷的序列，使其既易于折叠（低折叠自由能障碍），又稳定功能（低构象熵）。

支持单位：