一埃。Claude Mythos 5.2 预测出来的 AAV2 完整衣壳结构，跟实验解析的结果就差这么点距离。一埃差不多是一个原子的宽度，比一个氢原子的直径还短。做结构的同行看到这个数字，第一反应通常不是鼓掌，而是追问一句：这 60 条链，你到底是怎么拼起来的。
答案有点出人意料。模型没有自己端出一个端到端的结构，它先写了一段代码。Claude Mythos 5.2 用这段程序把衣壳里的链按相邻五条一组切开，逐组丢给开源的蛋白质折叠模型，最后借助衣壳本身的对称性，把全部 60 条链合回一个整体。在 AAV2 上，产物与实验结构的偏差，落在一个原子宽的尺度。这条消息里真正的信息量，藏在"它先写了一段代码"这半句。
一埃，是个什么量级
实验结构自己也不是标准答案
讨论误差之前，得先说清楚参照物是什么。所谓"与实验结构相差一埃"，比的是某个已发表的高分辨率模型，而那个模型本身带着自己的不确定度。公开的 AAV2 衣壳结构分辨率通常在几埃量级，主链走向可靠，侧链摆位就有余地。一埃的偏差落在这个区间里，属于很难挑出硬伤的水平，但它不等于"预测完全正确"——它等于"预测和某一次实验读数高度一致"。这两句话在论文里差得很远，在传播里常常被压成一句。
六十条链，错一块就散
单体蛋白好算，是因为它自成体系。衣壳不是。AAV 的 60 个亚基按二十面体对称排布，每一条链的构象都被邻居咬着，界面上的残基稍微偏一点，相邻的链就得跟着让。逐条独立预测再硬拼，最常见的结果是单体个个漂亮，拼起来处处打架。这也是为什么完整衣壳的预测长期是块硬骨头——难的不是算一条链，是让 60 条链同时成立。
它没有直接预测蛋白，它先写了一段程序
五个一组，喂给现成的折叠器
拆法很讲究。不是一条一条算，而是按相邻五条链为一组——这恰好对应二十面体五重轴附近的那一簇亚基。五条链放在一起，组内的界面约束就被纳入了上下文，折叠模型拿到的不是一个孤零零的序列，而是一小块自带相互作用的装配体。整个衣壳由 12 个这样的五聚体单元构成，算 12 次，比算 60 次省力得多，也比算 1 次现实得多。
对称性是最便宜的那笔算力
拼装环节几乎没花力气，因为衣壳自己把答案写好了。二十面体对称意味着 12 个单元在几何上等价，只要校正一次相对取向，其余位置靠对称操作推出来即可。这是结构生物学里的老办法，算不上新发明。但把它交给一个会写代码的模型去自动执行，性质就变了——模型不是在拟合坐标，它在安排计算流程。
被展示的其实是调度能力
这段演示里最容易被忽略的一点：Mythos 5.2 没有声称自己拥有更强的折叠能力。它借的是开源折叠模型的力，自己负责拆解问题、写脚本、跑批、拼装、检查接缝。这是一个项目负责人的活，不是一个计算器的活。用一句更直白的话说，它是把一个需要研究生做几周的计算任务，压缩成了一段可以复现的程序。
AAV 这层壳，凭什么值钱
基因治疗最贵的包装材料
AAV 是当下基因治疗最主流的递送载体，没有之一。它外壳简单、免疫原性相对可控、能感染多种组织，过去十年里获批的体内基因治疗药物，绝大多数把它当运载工具。而这个载体的产能、纯度、组织靶向性，几乎全部由那层蛋白质外壳决定。谁能在原子层面把这层壳算准、改对，谁就捏住了整条产业链上最贵的一环。
真正要改的往往只有几十个原子
衣壳工程不是在重写整个蛋白，而是在几十个位置上做微调：换掉一个暴露的残基躲开中和抗体，插一段肽段改变组织倾向，调一下表面电荷降低肝靶向。这些改动每一个都会牵动局部构象，靠湿实验一个个试，周期以年计。如果预测能在计算里先筛掉九成不成立的方案，剩下那一成再进实验室，账就完全不一样了。这才是这次演示在产业侧的真实分量。
演示里没有说的那些
一个病毒，一个精度数字，一段视频
样本量是 1。AAV2 是家族里被研究得最透的血清型，结构数据最全，折叠模型见过的同源序列最多。换到 AAV8、AAV9，或者换到某个实验室自己设计的嵌合衣壳，精度会掉多少，演示里没有答案。AI 领域的结构预测演示有一个长期习惯：挑最有利的靶标，给出最漂亮的数字，把泛化问题留给下一篇论文。这次也没能免俗。
那段代码，谁来验
模型自己写的脚本，跑通了，出了结果，这件事本身不等于方法可靠。拼接的取向对不对、对称操作有没有把误差平均掉、接缝处的 clash 有没有被后处理掩盖——这些都需要独立复核。演示视频里给的是终点，过程的可信度取决于有没有人真的去读那段代码，再换个靶标重跑一遍。在这件事发生之前，一埃这个数字只能算一个强信号，不能算一个已确立的结论。
从能算到能用，中间隔着几道门
算得准，和设计得出来，和造得出来，和三批生产批次一致，是四件不同的事。计算结构再漂亮，最终要过表达量、组装效率、空壳率、稳定性这几关。这条链路上，AI 目前只在前端拿到了一分。把这一分说成整场比赛的转折，是这一轮叙事里最常见的通货膨胀。
模型开始给自己搭台子
从答题，到造工具
过去两年，模型能力的展示方式基本是答题：给一个输入，出一个输出，比谁答得准。这次的形态不一样。模型面对一个它单靠自己答不出来的问题，选择去写调用别人工具的程序，把一个大问题拆成十二个小问题，再负责把结果组装回去。这条路径的扩展性比精度数字重要得多——精度会随着基座模型换代而波动，而"会拆问题、会写脚本、会调用现成工具"这个能力，一旦成立，就能平移到无数个它没被训练过的领域。
下一个被撞上的会是谁
结构生物学只是第一个被撞上的场景，因为它有干净的评分标准：有实验结构可以对照，对错一目了然。换成材料科学、催化、流体、气候模拟，方法论几乎是同一套——拆解、调用求解器、拼装、验证。真正卡住进展的，从来不是模型会不会写代码，而是那些领域有没有像 PDB 一样干净、可验证、可对错的参照系。AAV 这次能被算准，一半功劳属于衣壳本身足够对称，另一半属于这个领域几十年攒下来的实验数据足够扎实。
所以那条新闻的正确读法，不是"AI 又攻克了一个难题"。是：一个模型学会了给自己搭脚手架，而刚好第一个被搭起来的东西，是基因治疗里最贵的那层壳。
