يُعدّ التنبؤ بالتركيب الثلاثي للبروتينات من تسلسل الأحماض الأمينية أحد التحديات الأساسية في علم الأحياء الحاسوبي، وينطلق من مبدأ أن تسلسل الحمض الأميني (التركيب الأولي) يحدد بشكل كامل شكله النهائي ثلاثي الأبعاد، والذي بدوره يحدد وظيفته البيولوجية. تهدف هذه العملية إلى سد الفجوة الهائلة بين العدد المعروف لتسلسلات البروتينات وعدد التراكيب التي تم تحديدها تجريبياً. تعتمد المناهج التقليدية على ثلاث استراتيجيات رئيسية: النمذجة بالمقارنة (باستخدام تراكيب معروفة كقوالب لتشابهات التسلسل العالية)، والترصيف (لإيجاد طيات هيكلية مناسبة لتسلسلات أقل تشابهاً)، والتنبؤ من الصفر (بناء التركيب بدون قالب، بالبحث عن أدنى حالة طاقة). وقد حقق هذا المجال مؤخراً قفزة نوعية غير مسبوقة بفضل خوارزميات الذكاء الاصطناعي والتعلم العميق مثل ألفافولد (AlphaFold)، التي رفعت دقة التنبؤ إلى مستويات تقارب الدقة التجريبية، مما أحدث ثورة في مجالات تصميم الأدوية وفهم الآليات الخلوية. ومع ذلك، لا تزال هناك تحديات قائمة، أبرزها التنبؤ بتركيب البروتينات غير المطوية جوهريًا وتجميع المعقدات البروتينية المتعددة.
