AlphaFold DB 与结构蒸馏

定义：用已训练模型预测结构（或序列），再把预测结果当作新模型的训练数据，称蒸馏或自标注。

证据：AlphaFold2 用初版模型预测 355,993 条 Uniclust 序列，最终训练约 75% 样本取自该自预测集、约 25% 来自聚类 PDB（NVIDIA 模型卡转述，二手；是采样比例，不是条目数比）[1]。ESM-IF1 用 AF2 预测 UniRef50 的 1,200 万条结构 [5]。ESM3 经逆折叠扩到 3.15B 序列、236M 结构 [2]。Boltz-2 主蒸馏集约 5M 条 AFDB 单体 [3]。OpenFold / OpenFold3 的 OpenFold3 preview 合成库 >1,300 万，约为实验结构的 40 倍（推算）。AlphaFold Protein Structure Database 已扩至 241,070,489 条（v6），同期移除 39,324,993、新增 65,711,653 条 [4]，"2.14 亿"口径已过时。

争议：蒸馏上限等于教师，Boltz-2 对复合物用 Boltz-1 预测属二级蒸馏；模型崩溃研究（Shumailov 等，Nature 2024）针对 LLM/VAE/GMM，蛋白类是否同样发生 ⚠️ 未查到量化 [6]。

来源

1. https://docs.api.nvidia.com/nim/reference/deepmind-alphafold2 (2026-10-15)
2. https://www.biorxiv.org/content/10.1101/2024.07.01.600583v1.full (2026-10-15)
3. https://www.biorxiv.org/content/10.1101/2025.06.14.659707v1.full (2026-10-15)
4. https://www.ebi.ac.uk/pdbe/news/alphafold-database-release-notes (2026-10-15)
5. https://www.biorxiv.org/content/10.1101/2022.04.10.487779.full.pdf (2026-10-15)
6. https://oatml.cs.ox.ac.uk/publications/202407_Shumailov_ModelCollapse.html (2026-10-15)