预测已是基础设施,并经过 CASP 盲测这样的独立检验;设计有作者自己的湿实验验证,还没有闭环系统。
| 角色 ↓ · 检验 → | 未公开 | 基准评测 | 作者实验 | 独立检验 | 临床试验 |
|---|---|---|---|---|---|
| L4 自主 | |||||
| L3 闭环 | |||||
| L2 设计 | |||||
| L1 预测 |
计算上的代理指标(预测置信度、结构一致性)几乎免费;真正的验证要把蛋白表达出来、测结构或测活性,周期是几周。验证器相对便宜,所以这个方向最先成熟。
通用大模型在这里主要是调度者,而不是主力:结构预测和设计由专用模型完成,大模型负责读文献、写分析代码、串起工具链(例如 Claude Science 集成了 Boltz-2、OpenFold3 等专用模型)。
蛋白质的功能由它折叠成的三维形状决定。过去测一个蛋白的结构,要做几个月甚至几年的晶体学实验;AlphaFold 2 在 2020 年把这件事变成了几分钟的计算,2024 年的诺贝尔化学奖也因此颁给了哈萨比斯、江珀与大卫·贝克。
下一步是反过来:不是给定序列猜形状,而是给定想要的功能,设计出一条能折成那个形状的序列。扩散模型与蛋白质语言模型让「设计」这一步真正可用,设计出的蛋白已经能在实验室里表达出来并按预期工作。
AI4S 的起点事件:CASP14 上的精度接近实验解析水平,随后开放的结构数据库成了生物学的公共基础设施。
把蛋白设计的入口从「指定结构」换成「说出功能」;湿实验里有设计能用,但命中率低,对性质的精确控制仍有限。
争议与局限:荧光蛋白 29 条里只有 1 条发光,命中率低;作者也承认对蛋白性质的精确控制还有限。实验都由作者团队完成,尚无第三方复现。
西湖大学的 160 亿参数模型:用一句自然语言描述想要的功能,先生成结构、再设计序列,直接给出候选蛋白。
在七个靶点上湿实验验证过,并首次为 VEGF-A 设计出可用的结合剂;但模型未开放,外部无法复现。
给定一个靶点蛋白,直接设计出能与之高亲和力结合的新蛋白(结合剂)。
设计出一个与已知荧光蛋白差异很大、但真的会发光的蛋白——语言模型路线做「设计」的代表作。
让蛋白质设计从少数专家的手艺变成可规模化的流程,设计结果经实验解析的结构与计算设计高度吻合。
预测这一层的标杆,已是药物研发的日常工具;但它回答的是「长什么样」,不回答「怎么设计」。