从头蛋白质设计：从自然进化到人工智能

原文作者：Yang W, Wang S, Lee GR, et al. (David Baker组)
发表于：Nature, 2026年

摘要

蛋白质设计正经历从模仿自然到超越自然的范式转变。本文基于David Baker组Yang等人近期在Nature发表的综述，系统梳理从头蛋白质设计的技术演进脉络，分析当前方法的能力边界，并探讨这一领域面临的挑战与未来方向。

1. 引言：蛋白质设计的范式变迁

蛋白质是生命活动的核心执行者，其功能由三维结构决定。传统蛋白质工程依赖于对天然蛋白质的改造，而从头蛋白质设计则试图从零开始构建具有特定功能的全新蛋白质。这一领域的发展经历了从物理原理驱动到数据驱动的重要转变。

2. 历史演进：三个发展阶段

2.1 物理原理时代

二十世纪九十年代至二十一世纪十年代是蛋白质设计的物理原理时代。早期蛋白质设计主要基于能量最小化原理和物理化学知识。研究者通过计算氨基酸序列在特定构象下的能量，预测最稳定的结构。这一阶段的关键进展包括：

• Rosetta平台的开发，为蛋白质结构预测和设计奠定了基础
• 简单拓扑结构如α螺旋束的成功设计
• 对蛋白质折叠热力学原理的深入理解

然而，这一时期的计算成本高，设计成功率低，难以处理复杂结构。

2.2 数据驱动时代

二十一世纪十年代至二十年代，随着蛋白质结构数据库的积累和深度学习技术的发展，蛋白质设计进入数据驱动阶段：

• 深度学习模型如AlphaFold在结构预测上取得突破
• 基于大规模序列与结构数据训练的设计方法涌现
• 蛋白质与蛋白质相互作用设计取得重要进展

但模型的可解释性不足，对训练数据分布外的情况处理能力有限。

2.3 生成式AI时代

二十年代至今，以扩散模型和大型语言模型为代表的生成式AI正在重塑蛋白质设计：

• RFdiffusion等方法实现了无条件蛋白质生成
• 功能导向的设计成为可能，包括酶、疫苗和药物递送载体的设计
• 实验验证成功率显著提升

3. 核心技术方法

3.1 结构预测驱动的设计

基于深度学习的结构预测模型如AlphaFold和ESMFold为设计提供了重要工具：

• 序列设计：给定目标结构，优化氨基酸序列以稳定该结构
• 结构生成：从噪声中生成合理的蛋白质骨架
• 序列与结构联合优化：同时优化序列和结构以达成设计目标

3.2 扩散模型在蛋白质设计中的应用

扩散模型通过学习从噪声到数据的逆过程，实现了高质量的蛋白质结构生成。该方法可生成多样化的蛋白质拓扑，支持条件生成如指定功能位点，在药物递送载体和酶设计中展现出潜力。

3.3 功能设计策略

从结构到功能的跨越是当前的核心挑战：

• 活性位点设计：在蛋白质骨架中嵌入催化或结合位点
• 蛋白质与蛋白质相互作用设计：设计具有特定结合特性的蛋白质
• 动态特性设计：控制蛋白质的构象变化和变构效应

4. 应用案例与进展

4.1 疫苗设计

从头设计的蛋白质纳米颗粒可作为疫苗载体，展示抗原阵列以激发强烈免疫反应。新冠疫情期间，此类设计进入临床试验，验证了该策略的可行性。

4.2 酶设计

设计具有催化活性的蛋白质是领域的圣杯。当前进展包括：

• 简单反应如酯水解的催化剂设计
• 金属离子依赖酶的设计
• 基于过渡态理论的反应特异性设计

然而，复杂多步反应的酶设计仍具挑战性。

4.3 药物递送载体

设计自组装蛋白质纳米容器用于靶向递送小分子药物或核酸，需要具备：

• 可控组装和解组装特性
• 靶向配体的精确排布
• 生物相容性和免疫原性优化

4.4 蛋白质开关与传感器

设计响应特定信号如小分子、温度或pH的蛋白质开关，包括：

• 变构开关的设计
• 荧光蛋白传感器
• 逻辑门控蛋白质系统

5. 当前挑战与局限

5.1 设计-功能鸿沟

能够设计出稳定折叠的蛋白质结构，并不意味着能够实现预期的生物学功能。从结构到功能的映射仍是未完全解决的问题。

5.2 动态特性的设计

蛋白质的功能往往依赖于其动态特性如构象变化和柔性区域。当前方法对动态特性的控制能力有限。

5.3 实验验证瓶颈

计算设计的蛋白质仍需实验验证。高通量筛选和表征技术的进步是加速设计验证循环的关键。

5.4 膜蛋白设计

膜蛋白在药物靶点中占重要地位，但其设计难度远高于可溶性蛋白，主要受限于：

• 膜环境模拟的复杂性
• 实验表征的技术难度
• 结构数据的稀缺性

6. 未来展望

6.1 与实验技术的深度融合

下一代蛋白质设计将更加紧密地结合高通量合成与筛选技术、冷冻电镜等结构表征手段，以及机器学习辅助的实验设计。

6.2 多尺度建模

从原子级相互作用到细胞级功能的跨尺度建模，将支持更复杂的蛋白质系统设计。

6.3 人工智能的进一步整合

大型语言模型、多模态学习和强化学习等技术有望进一步提升蛋白质设计的能力。

6.4 应用拓展

蛋白质设计将在以下领域发挥更大作用：

• 可持续化学：生物催化
• 精准医疗：靶向治疗
• 生物材料：自组装材料
• 环境修复：污染物降解

7. 结论

从头蛋白质设计正从学术探索走向实际应用。尽管从结构到功能的跨越仍具挑战，但生成式AI的引入显著加速了该领域的发展。对于从业者而言，理解方法的适用边界、建立合理的设计预期、并与实验验证紧密结合，是实现成功设计的关键。

参考资料

Yang W, Wang S, Lee GR, et al. The past, present and future of de novo protein design. Nature. 2026; doi: 10.1038/s41586-026-10328-7

本文基于学术文献进行客观分析，不构成任何投资或研发建议。