让我先谈谈您在问题中写的一些内容：

有些蛋白质含有金属成分，称为金属蛋白。

据我们所知，天然蛋白质从未含有金属成分。天然蛋白质由仅含有 H、C、O、N、S 的天然氨基酸组成。硒代半胱氨酸含有硒（也是一种非金属！），但它是一种蛋白质氨基酸，这意味着它是蛋白质的前体，但通常不会出现在蛋白质本身中。从您在问题中给我们的维基百科页面：“金属蛋白是包含金属离子辅因子的蛋白质的通用术语”和“辅因子是非蛋白质化合物或金属离子”。

但是您的问题仍然值得回答，因为即使将蛋白质的辅因子称为“部分”是不正确的，它们仍然会影响折叠和整体形状。但是，让我们首先解决您问题的最后一部分：

鉴于可能没有足够的关于金属原子周围蛋白质局部结构的结构数据（例如 Fe/Zn/Mg），那么 AlphaFold 无法很好地预测金属周围的局部结构。是对的吗？

您在问题中链接的维基百科文章的第一句话说：“例如，至少 1000 种人类蛋白质（约 20,000 种）包含锌结合蛋白结构域 [3] 尽管可能有多达 3000 种人类锌金属蛋白 [ 4]。” 因此，虽然金属蛋白可能不是所有蛋白质的主要成分，但它们与人体相关的数量足够多，因此构建包含足够金属蛋白（或什至 100% 金属蛋白，如果需要）的训练数据库并非如此。难的。

我在其他地方提到了一点，AlphaFold 用于预测 CASP 比赛中的蛋白质结构，您可以自己看到参赛者（例如 DeepMind）需要预测结构的许多/大部分蛋白质，来自研究与人类相关的蛋白质，因为 CASP 结构通常来自 X 射线晶体学研究，这些研究通常对与人类相关的蛋白质进行。

您不仅可以亲自查看我在上面显示的“目标列表”，还可以查看比赛结果，这将显示 AlphaFold 在 CASP13（2018）和 CASP14（2020）中对金属蛋白的表现如何。

最后：

我还认为金属的更复杂的电子壳也会使数据的用处降低，因为它的边界模式比碳等更灵活。

确实，如果对金属或含金属配合物进行从头算计算，金属通常比 C、H、O、N、S 甚至 Se 更难建模。然而，机器学习在蛋白质折叠研究中的目的是跳过相关结构的从头计算、统计动力学和/或分子动力学计算，并简单地使用训练数据来预测蛋白质结构。话虽如此，需要有足够的可用训练数据（正如您正确指出的那样）来了解金属辅助因子附近发生的情况：答案是确实有足够的金属蛋白来充分填充训练集，但是 它们不会含有足够多的特定金属参与每种金属蛋白。例如，大量数据可用于含 Fe 的蛋白质，因为 Fe 存在于血红蛋白中（例如），这对于红细胞吸收氧气的功能至关重要，但蛋白质vanabins含有更稀有的钒，因此是训练数据涉及它将少得多。您也正确，金属元素可以形成比有机化合物中的典型元素更多的键。

所以它取决于相关辅因子中的金属。基于铁的辅助因子将有大量可用的训练数据，以及基于镁的辅助因子、基于锌的辅助因子以及许多其他包含“更常见”金属的辅助因子。对于像vanabins这样含有钒的蛋白质，训练数据有限是非常正确的，但也要记住，vanabins是一种在海鞘中发现的非常罕见的蛋白质，我们已经对其结构有了更多的了解（通过X射线晶体学，这意味着我们不需要机器学习）甚至不知道它的作用。金属蛋白中其他含钒辅助因子的可能性非常低，不足以证明专门为它们开发蛋白质折叠算法的合理性。