AI开始按结构“现做”蛋白binder了 | Nature:BindCraft把one design-one binder推到了真正可讨论的阶段

阅读时间：约8分钟 | 基于Nature论文《One-shot design of functional protein binders with BindCraft》。

      过去几年，蛋白结构 AI 最出圈的成就，是把“看结构”这件事做到了前所未有的高度。但这篇 Nature 真正更进一步的地方，不是再把某个蛋白折得更准，而是试图把“给定目标结构 -> 直接生成可用 binder”这条路走通。作者把 AlphaFold2 multimer 变成了一个会“边看目标边设计界面”的生成器，再配合 MPNN_sol 和 AF2 / Rosetta 过滤，把 wet lab 要面对的候选空间压缩到更小、更像 hit 的集合里。

      这篇工作的强点，在于它没有把结果停留在一两条 BLI / SPR 曲线上。论文跨 12 个具有生物医学意味的靶点做了实验，覆盖受体、过敏原、人工蛋白与核酸酶四类问题；最好的亲和力做到 nM 量级，单靶点成功率从 10% 到 100%，论文给出的平均成功率为 46.3%。更重要的是，它把结果继续推到了过敏阻断、Cas9 调控、Ago 抑制和 AAV 重定向这些真正有功能含义的 readout 上。

      但这篇论文也不能被吹成“以后不需要筛选了”。从作者自己给的数据看，命中率仍然明显依赖靶点；有的结果很亮眼，有的仍停留在数百 nM 甚至 μM 水平；很多结论依然靠 BLI / SPR / 结构学和细胞实验来兜底。真正值得记住的，不是“binder 设计已被彻底解决”，而是蛋白结构 AI 已经开始从“预测结构”稳步切进“按结构设计功能分子”的阶段。

注：本文配图均为根据原文结果重新整理绘制，并非论文原始插图。

01 这篇文章到底解决了什么问题

      传统 binder 发现往往有两个麻烦。第一，前端高度依赖免疫、展示文库或高通量筛选，实验负担大。第二，即便你先找到了“能结合”的分子，也未必正好打在你真正关心的功能位点上。对很多生物医学问题来说，关键不是有没有 binder，而是 binder 是否能打中受体界面、过敏表位、核酸结合口袋或递送入口这些真正决定功能的位置。

      BindCraft 想解决的，就是“能不能只给目标结构，尽量少做盲筛，就直接拿到命中位点的 binder”。作者用 AF2 multimer 进行 binder-backbone-界面共设计，而且不是把靶蛋白 rigid 地冻住，而是允许 target 和 binder 在每轮迭代里一起微调；随后再用 MPNN_sol 优化 binder 的非界面区域，用 AF2 monomer 与 Rosetta 指标做后验过滤。

图1｜BindCraft 设计闭环。真正的区别在于：它不是把 target 当固定模板，而是允许 target 在设计过程中跟着动。

      这个逻辑非常像把“结构约束”提前到生成端，而不是等拿到候选以后再去解释它打到了哪里。论文还给出三个很关键的量化信号：设计过程中，target backbone 的 RMSD 可到 0.5-5.5 Å；不同靶点初始 AF2 轨迹通过率为 16.8%-62.7%；最终通过 AF2 monomer + Rosetta 过滤后留下的比例为 0.6%-65.9%。这说明它并不是“随便生一堆就有 hit”，而是把筛选压力前移到了模型与过滤器这一端。

02 BindCraft 真正不同在哪里

      如果只从流程名字看，它像“AF2 + MPNN”的又一版组合；但真正重要的差异，是 target flexibility 和 complex reprediction。对很多 protein-protein interaction 来说，位点不是一个完全刚性的坑，而是伴随 side chain / backbone 的诱导契合。BindCraft 把这个问题正面纳入设计过程，所以它更像是在做“受结构约束的分子生成”，而不是传统意义上的静态 interface packing。

03 他们具体做出了什么：12 个靶点的成绩单

      广度是这篇论文最容易被低估的地方。作者不是只在一个熟悉的靶点上反复打磨，而是一次性把 BindCraft 推到了 12 个难度很不一样的对象上：PD-1、PD-L1、CD45、CLDN1、IFNAR2 这类受体；Der f7、Der f21、Bet v1 这类过敏原；没有天然同源的 BBF-14 和装配相关的 SAS-6；以及 SpCas9、CbAgo 这类核酸引导核酸酶。

图2｜12 个靶点成绩单。真正有说服力的地方，不是某一个特别好的数值，而是四类问题里都拿到了可验证的结果。

      结果并不是“每个靶点都惊艳”，但已经足以说明问题。强项很明显：PD-1 最佳 binder 低于 1 nM，CLDN1 最佳结果低于 200 nM，CbAgo binder2 到了 5 nM；而即便是更难的人工蛋白 BBF-14，也能做到 20.9 nM。弱项也同样清楚：Der f21 为 793 nM，SAS-6 仍在 5.7 μM 量级。正因为有这种高低起伏，这份成绩单才更可信——它不是挑一个漂亮案例讲故事，而是在不同问题类型上给出了真实的命中分布。

      另外一个经常被忽略的点，是这些 binder 并不只是“照着天然复合物抄”。论文报告设计骨架到最近 PDB 命中的平均 TM score 为 0.62、序列 identity 仅 14.4%；而设计界面相对已知 PPI 的平均 TM score 只有 0.15。这意味着 BindCraft 不是简单重放已知复合物，而是在已知折叠空间里做出了新的 interface 组合。

04 真正站住脚的，是“能结合以外”的功能验证

      如果一篇 binder 论文只告诉你“测到了结合”，那它对生物医学研究的意义通常还很有限。BindCraft 真正站住脚的地方，在于作者用四类完全不同的 readout 去问同一个问题：这些 AI 设计出来的 binder，能不能真的改生物学行为？

图3｜BindCraft 的说服力来自“binding -> function”的跨越。它已经开始不只是命中蛋白，还能推动过敏阻断、核酸酶抑制和递送向特异性。

      针对 Bet v1，作者拿到的 binder2 只有一个，不是抗体鸡尾酒，却能在 3 位患者中的 2 位里把 Bet v1 与 IgE 的结合最高压到约 50%；对照 REGN 抗体混合物最高约 90%。这说明 de novo binder 已经开始具备“单分子做中和”的潜力，而不只是作为结构探针。

      更有意思的是核酸酶部分。SpCas9 的设计 binder 都能结合 apo enzyme，并且在 HEK293T 里压低基因编辑活性；CbAgo 的 binder2 不仅亲和力到 5 nM，还能把 kcat 从 0.004 s^-1 压到 5 x 10^-5 s^-1，等于直接慢了 80 倍。再加上 AAV 这部分拿到 1 个 HER2 和 4 个 PD-L1 的重定向载体、目标/非目标比最高可到 17x 和 100x，你会发现这篇论文真正想证明的不是“我会造 binder”，而是“我会把 binder 接到功能系统里”。

05 为什么这篇论文对蛋白结构 AI 特别重要

      过去很多结构 AI 论文，解决的是“能不能更准确地看懂结构”或“能不能在固定靶标上设计一个结合分子”。BindCraft 更重要的地方在于，它让结构模型开始承担“前端生成”的角色：结构不是验证终点，而是生成约束的起点。对做蛋白工程、受体药理学、结构生物学或者递送改造的人来说，这个变化很实在，因为它对应的不是 leaderboard 上多几个百分点，而是实验 workflow 会不会被重写。

      而且这篇论文并不只靠功能结果站台。Der f7 binder2 拿到了 2.2 Å 和 3.0 Å 的晶体结构，按 allergen 对齐后 backbone r.m.s.d. 约 1.7 Å；Der f21 binder10 的晶体结构分辨率为 2.6 Å，对齐后的 r.m.s.d. 约 3.1 Å；BBF-14 的 binder4 也给出了 1.7 Å 级别的结构吻合。即便 SpCas9 没有拿到可建原子模型的 cryo-EM，REC1 位点的密度也足够清楚，至少说明它们大体上是按预定区域在结合。

图4｜把这篇论文的推进与局限放在一张图里看，判断会更稳。

06 别高估它：这离“一键出药”还很远

      首先，命中率仍然明显依赖靶点。最好和最差的任务差别很大，说明 binder 设计还远没有进入“输入结构就稳定出答案”的阶段。其次，很多结果的实用性还要继续打磨：有的 binder 是二聚体，有的亲和力仍在 μM 级别，有的只能说明“会结合”和“会抑制”，离真正的体内药理闭环还远。

     再往转化层面看，AAV 重定向虽然很有想象力，但目前主要还是细胞层面的特异性证明；稳定性、制备、体内暴露、免疫原性以及长期安全性，都不是这篇论文已经解决的问题。实话实说，这篇 Nature 提供的是一条非常有前景的工具路线，而不是已经封装好的药物开发平台。

07 我的判断：科研读者最值得记住什么

      如果你做的是蛋白工程、结合蛋白发现、结构生物学、受体功能研究，或者任何需要“命中某个功能位点”的工作，我觉得这篇文章最值得记住的不是哪一个单独的 Kd 数字，而是一整条 workflow 出现了：目标结构定义 -> AI 共同设计 -> 严格过滤 -> 小规模实验验证 -> 直接接功能 readout。这个闭环一旦能稳定复现，后面再叠加 developability、亲和成熟、表达优化和体内测试，就有了真正往转化走的接口。

      再往前看，未来最成熟的形态，恐怕不会是“单独一个 BindCraft”或“单独一个 AlphaFold”，而是“结构模型 + 生成设计 + 过滤器 + focused validation”的组合系统。谁能把这几步之间的信息打通，谁更有可能把蛋白结构 AI 从论文结果推进成生物医学工具。

附参考文献与原文信息

1. Pacesa M, Nickel L, Schellhaas C, et al. One-shot design of functional protein binders with BindCraft. Nature. 2025;646:483-492. DOI: 10.1038/s41586-025-09429-6.

2. BindCraft 代码仓库：GitHub（MIT license，论文作者公开提供安装说明、设计协议与 Colab notebook）。

3. 本文内容主要依据论文正文、图注与公开代码信息整理，面向科研读者做中文重写与重点提炼。