SimpleFold: Folding Proteins is Simpler than You Think：通用Transformer架构挑战蛋白质折叠领域专用设计
2025年9月，Apple团队提出SimpleFold，首个基于流匹配的蛋白质折叠模型，仅使用通用Transformer模块，无需三角更新、显式成对表示等复杂领域设计。模型参数达3B，在约900万蒸馏结构及PDB数据上训练，在标准折叠基准上达到与AlphaFold等SOTA相当的性能，且在集成预测上表现更优，推理可在消费级硬件上运行。
Development
- First ReportSimpleFold: Folding Proteins is Simpler than You Think：通用Transformer架构挑战蛋白质折叠领域专用设计arXiv cs.AI
- Current Assessment蛋白质结构预测是AI for Science的核心应用，SimpleFold降低了该领域的技术壁垒，使更多中小团队和公司能部署高性能折叠模型。这将加速靶点发现、抗体设计、酶工程等应用，并可能推动蛋白质设计从实验室走向工业流水线。同时，其高效推理特性有利于实时结构预测和虚拟筛选。Agent Pulse · analysis
SimpleFold证明蛋白质折叠无需复杂领域专用架构，通用Transformer+流匹配即可达到SOTA。这降低了蛋白质结构预测的技术门槛，使更多团队能参与并部署，可能加速药物发现和合成生物学。同时，其集成预测能力优于确定性模型，对动态构象研究有重要意义。
SimpleFold采用标准Transformer块加自适应层，训练目标为流匹配损失加结构项。模型规模3B参数，训练数据包括约900万蒸馏结构（来自AlphaFold2等）和实验PDB数据。在CASP等基准上，SimpleFold-3B与AlphaFold2/3性能相当，但推理速度更快，可在单GPU上运行。其集成预测（采样多个结构）质量优于确定性模型，表明流匹配框架更适合捕获多构象。消融实验显示，领域专用模块并非必要，通用架构通过大规模数据和流匹配目标即可学习折叠规律。
蛋白质结构预测是AI for Science的核心应用，SimpleFold降低了该领域的技术壁垒，使更多中小团队和公司能部署高性能折叠模型。这将加速靶点发现、抗体设计、酶工程等应用，并可能推动蛋白质设计从实验室走向工业流水线。同时，其高效推理特性有利于实时结构预测和虚拟筛选。
建议生物科技和制药公司评估SimpleFold作为AlphaFold替代方案，用于内部靶点结构预测和虚拟筛选。其低硬件需求可降低IT成本，集成预测能力可提升候选分子筛选准确率。可考虑与Apple合作或基于开源代码构建定制化折叠服务。
关注SimpleFold在更复杂多聚体、膜蛋白上的表现；其流匹配框架能否推广到RNA、小分子等；消费级硬件部署的实际成本与速度；以及开源社区能否复现并改进。若通用架构持续有效，将引发蛋白质折叠领域的设计范式转变。