了解蛋白质的结构有助于了解其功能;然而，现有的计算方法无法以原子精度预测蛋白质的 3D 结构。值得庆幸的是，最近一篇关于 Nature 的论文介绍了基于神经网络的模型AlphaFold的重新设计版本 。在大多数情况下，它可以准确地预测蛋白质结构，与实验相媲美。

该模型依赖于两种先前单独使用的策略的组合：模拟物理相互作用和蛋白质进化结构的生物信息学分析。这种方法使网络能够以最少的手工拼版从蛋白质数据库数据中学习。即使在具有挑战性的情况下，它也可以处理丢失的物理环境并生成准确的模型。该 AlphaFold 已经证明了其在分子置换和解释低温电子显微镜图的实验值。

序列比对，融入深度学习算法的设计中。在具有挑战性的第 14 次蛋白质结构预测关键评估 (CASP14) 中，在大多数情况下展示了与实验竞争的准确性，并且大大优于其他方法。支持最新版本的 AlphaFold 是一种新颖的机器学习方法，它将关于蛋白质结构的物理和生物学知识，利用多序列比对，融入深度学习算法的设计中。