Biologia strukturalna bada strukturę przestrzenną, tj. 3D, makromolekuł biologicznych, głównie białek i kwasów nukleinowych. Początkowo utożsamiana była z krystalografią białek, która dała jej początek. Metoda krystalograficzna polega na badaniu struktury materiału biologicznego za pomocą dyfrakcji promieni X. W latach 80. ubiegłego wieku wsparcie przyszło ze strony jądrowego rezonansu magnetycznego (NMR), ale prawdziwy przełom nastąpił w ostatniej dekadzie wraz z rozwojem wysokorozdzielczej kriomikroskopii elektronowej (cryo-EM).
W 1971 r. powołano Protein Data Bank (PDB) z misją gromadzenia wyznaczonych eksperymentalnie struktur makromolekuł. Po okresie powolnego wzrostu, w połowie lat 90. XX w. nastąpiła „eksplozja” PDB, związana z rozwojem biotechnologii oraz z powszechnym zastosowaniem synchrotronowych źródeł promieniowania X. W PDB jest obecnie ponad 210 tys. wyznaczonych doświadczalnie struktur makromolekuł, a roczny przyrost sięga 15 tys. Wiele z tych struktur, np. białek wirusa HIV czy SARS-CoV-2, ma znaczenie medyczne, gdyż na ich podstawie projektuje się leki nowej generacji. Postęp techniczny poszedł dalej i dziś dysponujemy laserami rentgenowskimi na swobodnych elektronach (XFEL) o niewyobrażalnej jasności promieniowania X. Umożliwia to skrócenie czasu naświetlania do kilkunastu femtosekund oraz badanie kryształów o wymiarach nanometrów, a nawet pojedynczych molekuł. Obok rewolucji na polu doświadczalnym, przełom nastąpił też w metodach przewidywania struktury 3D białek na podstawie ich sekwencji, tj. informacji jednowymiarowej. Stało się to możliwe dzięki algorytmom uczenia maszynowego, które wytrenowano pod kątem rozpoznawania w sekwencjach białek wzorców strukturalnych. Dla łatwiejszych problemów sztuczna inteligencja (AI) potrafi znaleźć poprawne rozwiązanie błyskawicznie. Dostępny powszechnie serwer AlphaFold zaproponował już strukturę dla ponad 200 mln białek. Inny serwer obiecuje miliard struktur, choć wydaje się, że taka numerologiczna sztuka dla sztuki traci już sens. Czy pojawienie się na arenie AI oznacza koniec eksperymentu? Z całą pewnością nie. Nawet jeśli AI wygeneruje interesujący nas model, to w przypadku zupełnie nowego białka trzeba będzie i tak potwierdzić go doświadczalnie. Poza tym innym metodom potrzebne są wiarygodne modele do uczenia maszynowego czy rozpoznawania obrazu. Wydaje się, że omówione metody będą współistniały na zasadzie synergii.