蛋白质的三维结构直接决定其生物学功能，而通过实验手段解析结构往往耗时耗力。蛋白质结构预测技术则能基于氨基酸序列，通过计算生物学方法快速推断其三维构象，已成为现代生命科学研究中不可或缺的工具。以下是目前主流的预测方法与权威开放数据库/工具：

一、主流预测方法 1. 同源建模（Homology Modeling） - 原理：基于“序列相似→结构相似”的原则，以已知结构的同源蛋白作为模板，通过序列比对构建目标蛋白的三维模型。 - 适用场景：目标蛋白与已知结构蛋白的序列一致性 > 30%，是目前最成熟、准确度最高的预测方法之一。 - 代表工具：SWISS-MODEL、Modeller。 2. 穿线法（Threading / Fold Recognition） - 原理：当目标蛋白无明显同源模板时，将其序列“穿”入已知的蛋白折叠骨架中，评估匹配度以选择最优折叠模式。 - 适用场景：序列一致性 < 30%，用于识别远缘同源蛋白的折叠类型。 - 代表工具：Phyre2、I-TASSER。 3. 从头预测（Ab initio / De novo Prediction） - 原理：不依赖已知模板，仅通过物理化学能量函数和构象采样，直接从序列预测蛋白的天然构象。 - 适用场景：无同源模板的全新蛋白，目前主要适用于小分子量蛋白（<100 个氨基酸）。 - 代表工具：Rosetta、QUARK。 4. AI辅助预测（AI-based Prediction） - 原理：利用深度学习模型从海量已知结构数据中学习序列-结构映射关系，实现高精度、高通量的结构预测。 - 适用场景：几乎所有蛋白，尤其适合无同源模板的“暗物质”蛋白。 - 代表工具：AlphaFold2、RoseTTAFold。

二、权威开放数据库与工具 1. AlphaFold Protein Str