蛋白质结构预测赛道迎来一位速度惊人的挑战者。8月28日，韩国科学技术院（KAIST）宣布开发出新一代生物AI模型K-Fold，这款被韩国媒体称为韩国版AlphaFold的模型，不仅能够预测蛋白质的三维结构，还能预测蛋白质与药物候选分子结合时形成的复合结构，预测速度比现有模型快25倍。K-Fold是韩国政府AI专用基础模型项目的成果，由7B类主模型与2B类轻量模型双规格组成，以Apache 2.0协议开源，韩国政府希望借此减少对海外生物AI技术的依赖，在生物技术领域建立独立的AI能力底座。
K-Fold的速度突破源于技术路线的根本性调整。传统结构预测AI必须经过多序列比对（MSA）流程，即搜索并比对海量相似蛋白的序列数据，这一步骤需要消耗大量计算资源与时间，是结构预测的主要瓶颈。K-Fold通过大规模预训练降低了对MSA的依赖，并采用生成式AI学习蛋白质与物质结合时的结构变化，省去了结构预测所需的预计算步骤，从而将预测速度提升了最多25倍。对药物研发而言，这意味着科研人员可以用更短的时间完成大规模候选分子的结合筛选，把等待变成即时反馈。
准确率同样经受了独立检验。在今年3月的政府项目阶段评估中，K-Fold在分子复合物结构预测的准确率上已接近AlphaFold3的水平；本月研究团队进行的内部性能评估显示，该模型在部分评测项目上超越了全球同类模型，尤其在靶向蛋白降解（TPD）药物、G蛋白偶联受体（GPCR）和激酶等结构变化难以预测的药物靶点上表现突出。这些靶点恰恰是当前新药研发中最具挑战性也最具商业价值的领域，K-Fold在难点靶点上的优势，让其在药物发现场景中的实用价值更加凸显。
K-Fold的速度优势在药物研发的实际流程中意味着巨大的效率提升。传统结构预测流程中，研究者要筛选数千个候选分子与靶蛋白的结合能力，每次预测都要经过漫长的序列比对与计算等待，整个筛选周期往往以周计。借助K-Fold的高速预测，同样的筛选任务可以压缩到数天内完成，研究者能够把节省下来的时间投入更复杂的实验设计与临床前评估。韩国研究团队表示，K-Fold的设计目标正是让结构预测从科研专用工具变成药物研发的日常基础设施，让计算筛选成为每个研发项目起步阶段的标配环节。
K-Fold采用了7B加2B的双规格设计。7B主模型面向高精度预测任务，处理复杂的分子复合物结构分析；2B轻量模型则适合高频筛选与资源受限的场景，两者搭配让研究者可以根据任务需求灵活选择。模型以Apache 2.0协议开源，允许商业使用与二次开发，韩国研究团队计划将K-Fold开放给国内高校、科研机构以及制药和生物技术企业，韩国制药与生物制药协会和韩国生物技术产业组织也将协助在行业内推广模型，包括培训企业员工掌握K-Fold的用法及其在药物设计中的应用。
为了让研究者能够实际使用K-Fold，KAIST教授创办的衍生企业HITS将该模型集成了自家的HyperLab AI平台。在这套平台上，研究者用自然语言输入类似设计一个与该蛋白质强力结合的抗体这样的需求，AI就会逐步完成蛋白质结构预测、候选分子设计、结果评估的全流程，HyperLab已连接120多个计算工具、160多项专业功能以及100多个专业数据库和知识图谱。研究团队的目标是把K-Fold发展成AI联合科学家，它能够理解研究者的提问、选择必要工具、预测结构，并继续推进到结果分析与设计改进，让生物研究从人工逐项尝试走向人机协作的流水线作业。
K-Fold的发布，标志着各国AI技术主权竞争从通用大模型延伸到了生物技术等垂直领域。韩国科技信息通信部将AI专用基础模型项目与通用独立AI基础模型项目并行推进，专门为生物、医学等专业领域提供政策与资金支持，K-Fold正是这一战略的直接产物。韩国希望通过扶持本土生物AI模型，降低对外国技术的依赖，扩大AI在国内制药与生物技术研究中的应用基础。这一思路与全球多个经济体正在推进的AI生物战略不谋而合，蛋白质结构预测、药物发现、材料设计等领域的AI能力，正在被提升到国家科技安全的高度。
从全球竞争格局看，K-Fold的25倍速度优势和开源策略，让韩国在生物AI赛道获得了差异化身位。谷歌DeepMind的AlphaFold系列开创了蛋白质结构预测的先河，但长期以来占据技术主导地位，各国都在尝试打破这一格局。KAIST以政府专项基金支撑、产学研协同推进、开源开放共享的模式，为后来者提供了一条可复制的追赶路径。当然，K-Fold的临床级验证仍需时间，结构预测只是药物研发链条的一环，从预测结果到真正获批的药物之间还有漫长的湿实验与临床试验过程。但可以确定的是，生物AI领域的多极竞争已经开启，速度、准确率与开放生态将成为衡量各国生物技术竞争力的新标尺。