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。
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）。
用扩散模型从噪声中「生长」出蛋白质骨架，按需设计结合蛋白、对称组装体与酶活性位点。
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。
同时理解蛋白质序列、结构与功能的生成式语言模型，可以按提示「写」出新蛋白。
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。
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）。
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。
从氨基酸序列直接预测单个蛋白质的三维结构，把一个五十年的难题变成了查表。
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。
把结构预测从单个蛋白扩展到蛋白质与 DNA、RNA、小分子配体等组成的复合物。
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」。