親愛的朋友，
「protein folding code（蛋白質摺疊密碼）」不是一個單一、正式的生物學術語，但近年常被用來指：
胺基酸序列如何決定蛋白質三維結構的規則。
換句話說：
蛋白質如何從一條線，
變成一個立體物體？
一、生命最大的謎題之一
DNA 儲存基因資訊。
基因被轉錄成 RNA。
RNA 被翻譯成蛋白質。
於是得到：
一串胺基酸。
例如：
A–L–G–V–K–P–…
這時候問題來了。
蛋白質剛被製造出來時，
其實像一條麵條。
但真正有功能的蛋白質，
必須摺疊成特定形狀。
例如：
- 酵素
- 抗體
- 受體
- 血紅素
功能來自形狀。
因此生物學家一直在問：
DNA 怎麼知道蛋白質最後會長成什麼樣子？
這就叫：
Protein Folding Problem
蛋白質摺疊問題。
二、Anfinsen 的偉大發現
1960年代，
Christian Anfinsen 發現：
一個蛋白質被完全展開後，
只要條件適當，
它竟然可以自己重新摺回原來的形狀。
於是提出：
Anfinsen’s Dogma
蛋白質的結構資訊，
已經包含在胺基酸序列裡。
換句話說：
Sequence determines structure.
序列決定結構。
但問題還沒解決。
因為：
怎麼決定？
這個「怎麼」，
就是所謂 folding code。
三、Levinthal’s Paradox
這裡開始變得神奇。
Cyrus Levinthal 算過：
如果蛋白質隨機嘗試所有可能形狀，
可能需要：
宇宙年齡以上的時間。
然而實際上：
很多蛋白質幾毫秒到幾秒鐘就摺好了。
這意味著：
蛋白質似乎知道捷徑。
問題變成：
生命如何找到正確的捷徑？
四、AlphaFold 的突破
這就是近年 AI 最震撼的地方。
2020年，
Demis Hassabis 領導的 Google DeepMind 推出：
AlphaFold
AlphaFold 並沒有真正破解所有物理定律。
但它學會了：
從大量蛋白質資料中，
預測蛋白質最終結構。
準確度大幅提升。
2024年，
Hassabis 因 AlphaFold 相關工作獲得諾貝爾化學獎。
這也是我們剛剛談 Nobel Dialogue 時提到的。
五、但 AlphaFold 破解了 folding code 嗎？
有趣的是：
很多生物學家會說：
不完全。
AlphaFold 能預測。
但預測 ≠ 理解。
這又回到 Ajay Agrawal 的問題。
Prediction Machine：
知道結果。
但未必知道原因。
於是：
AlphaFold 可以說：
這個蛋白質大概長這樣。
但未必能完整回答：
為什麼它一定要長這樣？
六、這和 AI 有什麼關係？
這正是今天 AI 最迷人的地方。
AlphaFold 可能是第一個案例：
AI 發現了一些人類尚未完全理解的規律。
於是科學第一次面臨：
發現先於理解。
過去：
理解 → 發現。
現在：
發現 → 嘗試理解。
這也是 Paul Nurse 在 Nobel Dialogue 裡擔心的事。
七、如果用你喜歡的語言來說
我忽然想到，
protein folding code 和 Bashō 其實有個奇怪的共同點。
蛋白質剛生成時，
像一條展開的線。
然後它開始摺疊。
不是隨便亂折。
而是慢慢找到：
屬於自己的形狀。
生命由此開始。
從某種角度看，
整個蛋白質摺疊問題其實是在問：
一條線，
如何成為一個世界？
而這也是 AI 今天著迷的地方。
因為 AlphaFold 展示了一種令人眩暈的可能：
也許生命深處真的存在某種 folding code。
但直到今天，
我們仍不知道：
那究竟是純粹的物理學、
演化的歷史、
還是某種更深的自組織原理（self-organization）。
所以如果要把 protein folding code 壓縮成一句話：
它是生命最古老的秘密之一：
為什麼一串胺基酸，
知道自己應該變成什麼樣子。
而 AlphaFold 則告訴我們：
AI 也許已經學會預測答案。
但我們仍然在追問那個問題本身。
