在结构生物学中，过渡金属（如铁 $Fe$、铜 $Cu$、锌 $Zn$、锰 $Mn$ 等）的配位几何预测一直是一个极具挑战性的课题。这些过渡金属拥有未充满的 d 轨道，其配位键介于共价键和静电作用之间，表现出高度的构型方向性（如八面体、四面体、平面正方形等），且极易受到局部微环境、氧化态和自旋态的影响。
近期涌现的两大非蛋白/全原子预测工具 —— AlphaFold 3 (AF3) 与 RoseTTAFold All-Atom (RFAA) —— 代表了当今端到端结构预测的最前沿。然而，两者在处理过渡金属配位几何时的底层算法设计上存在着本质差异，这也直接导致了它们在预测精度和泛化能力上的巨大分歧。
一、 算法表征范式的根本分歧：扩散模型 vs. 多轨框架与刚体变换
要理解两者在金属配位上的表现差异，首先需要剖析它们如何定义“金属离子”以及如何生成其“空间坐标”。
1. AlphaFold 3：去中心化的扩散模型（Diffusion Module）直接坐标生成
AlphaFold 3 彻底放弃了 AlphaFold 2 中赖以成名的不变点注意力（Invariant Point Attention, IPA）和基于主链刚体变换（Frames）的结构生成算法。
- 全原子等同化表征（Unified Tokenization）：在 AF3 中，无论是氨基酸、核苷酸，还是过渡金属离子，在输入端都被视为独立的“Token”（或原子）。金属离子（如 $Fe^{3+}$）不再需要依附于某种特殊的“配体残基”定义，而是直接作为一个带有特定原子类型、电荷、元素特征的单原子节点进入网络。
- 无约束的 3D 扩散生成：AF3 采用扩散模型直接预测所有原子的 3D 笛卡尔坐标 $(x, y, z)$。在去噪（Denoising）过程中，网络不需要显式定义“金属-配体”之间的化学键（Bond），而是通过 Pairformer 提取的对特征（Pair features）来引导扩散模块。
- 隐式势能面的构建：扩散模型在本质上是一个强大的高维概率密度估算器。对于过渡金属，AF3 的去噪器在海量含有金属配位的高分辨率 PDB 数据的训练下，学会了在空间中构建一个高度精确的“隐式配位势能面”。例如，当网络识别到周围有四个组氨酸（His）时，扩散去噪过程会自然地将铜离子 $Cu^{2+}$ 引导至这四个氮原子的几何中心，并自发形成完美的平面正方形或扭曲四面体构型。
2. RoseTTAFold All-Atom：基于一维/二维/三维多轨（Multi-Track）与化学图引导的框架
RFAA 延续并扩展了 RoseTTAFold 的三轨（1D 序列、2D 接触、3D 坐标）架构，但在处理非蛋白组分时，它引入了更为严苛的化学先验。
- 对化学图（Chemical Graph）的强依赖：RFAA 处理小分子和金属离子时，需要输入明确的分子图（通常通过 SMILES 或特定的键连接表定义）。对于过渡金属，这意味着用户或输入生成器必须在输入端“告知”网络该金属与周围哪些原子存在连接，或者将其定义为一个孤立的“单原子配体”。
- 刚体变换（Frame-based）的局限性：RFAA 依然在蛋白质主链和侧链上大量使用基于 $SE(3)$ 群的刚体变换表征。单个过渡金属离子由于没有可定义方向的“主链”（不像氨基酸有 $N-C_{\alpha}-C$ 骨架），在 3D 轨道中很难像蛋白质残基那样建立起稳健的局部坐标系。
- 显式约束满足机制：RFAA 在坐标生成阶段，极大地依赖于通过 1D/2D/3D 信息交互后产生的距离约束（Distance Restraints）和角度约束。如果输入的化学图中没有显式包含金属配位键，RFAA 只能依赖 2D Track 中的接触图（Contact Map）预测来尝试在 3D 空间中拉近金属与配体原子的距离。这往往导致金属离子的定位不够精准，容易发生碰撞或距离过远。
二、 过渡金属配位化学特性的算法响应
过渡金属配位不仅关乎“距离”，更关乎“方向”和“配位数”。下表对比了两者在应对这些具体化学特性时的算法表现：
| 物理化学特征 | AlphaFold 3 的算法应对与表现 | RoseTTAFold All-Atom 的算法应对与表现 |
|---|---|---|
| 配位几何（如八面体/四面体） | 优异。扩散模型直接学习局部多体关联（Multi-body correlation），能高度还原配位键的方向性。 | 一般/较差。由于缺乏显式的 d 轨道配位物理场，且 RFAA 的约束项通常是成对的（Pairwise），难以完美协调复杂的多体几何对称性（如八面体畸变）。 |
| 多齿配体与螯合效应 | 极佳。对 EDTA、血红素（Heme）等螯合配体，能完美预测大环与中心金属（如 $Fe$）的精细相对位置。 | 中等。如果输入了正确的 Heme 化学图，能完成定位，但对于金属与大环的微调（如铁原子是否共面）往往精细度不足。 |
| 多核金属簇（如 $Fe_4S_4$） | 强。可以直接预测复杂的无机非金属簇，扩散模型能处理复杂的共价-配位混合网络。 | 弱。由于需要构建复杂的无机网络图表征，RFAA 在处理非标准金属簇时极易发生拓扑匹配错误或坐标爆炸。 |
| 对质子化/电荷状态的敏感性 | 中等。不显式计算量子化学，但能通过侧链环境隐式感受。 | 差。极度依赖 Rosetta 能量项，而经典力场在处理非定域电荷和电子转移时存在根本缺陷。 |
三、 本质差异深度剖析
1. 约束求解器 vs. 概率密度生成器
RFAA 的本质是一个带有神经网络先验的“约束求解器”。它通过网络预测原子对之间的距离和方向，然后尝试在 3D 空间中寻找满足这些几何约束的解。这种方法在处理规律的蛋白质二级结构时表现优异，但在处理过渡金属配位时，配位键的物理势能面非常狭窄且陡峭（能量对配位键长和键角的变化极其敏感），少许的距离预测偏差就会导致整个配位构型崩溃（例如，将本应是八面体的 $Fe^{2+}$ 预测为扭曲的五配位）。
而 AF3 是一个**“隐式物理场的概率密度生成器”**。扩散模型不需要显式地去“求解”约束，它是在去噪过程中顺着概率流（Probability Flow）逐渐收敛。由于训练集包含了 PDB 中所有真实的、物理上正确的金属配位几何，AF3 的扩散神经网络实际上记住并在局部重构了这些复杂的过渡金属配位势能阱。
2. 化学先验的束缚：输入端的“知”与“不知”
在 RFAA 中，如果你不提供准确的配位连接图（即不指定哪个 $His$ 的 $N$ 与 $Fe$ 相连），模型往往只能把金属离子当作一个“浮动的小分子”来处理。由于没有共价键的刚性约束，在最后的 3D 结构精修中，过渡金属离子极易被其他大原子“排挤”出活性中心。
AF3 则实现了“无图输入”（Graph-free for metals）。你只需告诉它体系中有一个 $Fe$ 离子和一段序列，AF3 的注意力机制（Attention）会在 Pairformer 中自动计算侧链原子与金属离子之间的亲和度，并直接在空间中将其“放置”在正确的配位点。它不需要人为假设配位键的存在，而是让配位几何从序列与空间的协同演化中自然涌现（Emergence）。
四、 局限性与共同的算法盲区
尽管 AF3 在过渡金属预测上取得了对 RFAA 的压倒性优势，但两者在底层物理学上依然存在着共同的“天花板”：
- 无法显式处理自旋态和氧化态变化：
无论是 AF3 还是 RFAA，它们的输入端对金属离子的描述通常是静态的元素 Token。然而，同为铁离子，$Fe^{2+}$（低自旋/高自旋）与 $Fe^{3+}$ 的配位键长和几何对称性（如 Jahn-Teller 效应导致的拉伸）是有显著差异的。由于模型不包含电子显式表征，它们无法在算法层面区分由于氧化态变化引起的超精细结构调整。 - 数据偏差（Data Bias）的继承：
PDB 数据库中存在大量分辨率较低、配位几何被不当修正（或者完全错配）的金属蛋白结构。由于两者都高度依赖 PDB 进行训练（AF3 通过自蒸馏有所缓解，但不能完全消除），它们在预测罕见金属配位（如一些特殊的钼 $Mo$、钨 $W$ 酶活性中心）时，依然会受到数据匮乏的限制，给出偏向常见配位（如 $Zn^{2+}$ 四面体）的错误预测。
总结
RoseTTAFold All-Atom 与 AlphaFold 3 在过渡金属配位几何上的表现差异，是**“规则/物理先验约束流”与“端到端隐式概率生成流”**两种路线碰撞的必然结果。
RFAA 试图通过将金属纳入现有的分子图和刚体约束框架来解决问题，这在面对高度依赖 d 轨道物理特性的过渡金属时显得捉襟见肘；而 AF3 通过摒弃刚体框架、引入全原子等同化的 3D 扩散模型，成功避开了刚性拓扑的束缚，以一种更接近自然界自组装的方式，实现了高精度的过渡金属配位几何预测。对于当前的金属蛋白设计与酶催化机制研究，AF3 无疑提供了在算法机制上更为先进且实用的解决方案。
