把折叠问题倒过来：AI 是怎么从零开始造蛋白质的

2018 年的诺贝尔化学奖，颁给了定向进化——在天然蛋白质上做修改。2024 年的化学奖，一半给了"设计全新的蛋白质"，一半给了"预测蛋白质结构"。

从"改"到"造"，中间隔着一次方向的反转：以前是给一段序列算它折成什么样，现在是先画出一个结构，再让模型反推该用什么序列。

这篇把这条流水线拆开讲：四个步骤各自在做什么、成功率到底是多少、哪些事情模型做不了。文中只谈公开方法学与文献数据，不涉及任何医疗建议，提到的药物与疗法仅作为文献案例出现。

封面

先把"预测"和"设计"分开

这两件事听起来像一回事，方向其实相反。

预测回答的是：手上有一段氨基酸序列，它会折成什么三维形状。设计回答的是：想要一个有某种功能的形状，该用什么序列去实现它。

一个从序列出发，一个从结构出发。输入输出刚好对调。

预测这一侧的转折点在 2020 年。CASP 是蛋白质结构预测的年度评测，从 1994 年办到今天，评测分数叫 GDT，满分 100。此前十几年，最难的那批靶点一直卡在 40 上下。2020 年 AlphaFold 2 上场，96 个靶点的中位分到了 92.4，约三分之二的靶点达到与实验解析结构相当的精度。两年后它把超过两亿个结构预测免费公开，到 2024 年已被 190 个国家的两百多万研究者使用。

设计这一侧走的路更长。上世纪九十年代，华盛顿大学的 David Baker 带团队做了 Rosetta：从已知蛋白质里挑结构片段，用能量优化把它们拼成想要的新形状，再找出能折成这个形状的序列。这套流程后来被称为从头设计（de novo design）。

关键动作发生在把这套流程倒过来用的时候。Rosetta 原本做"给序列算结构"，倒过来之后，研究者可以先把想要的形状画出来，让程序回答"该用什么序列"。

2024 年的诺贝尔化学奖正是这样分成的：一半给 Baker，表彰计算蛋白质设计；另一半给 DeepMind 的 Hassabis 和 Jumper，表彰用神经网络做结构预测。这两个方向在评奖词里被并列写在一起，是因为它们现在组成了一条完整的工作流。

预测与设计的方向对比

这条流水线一共四步

现在的蛋白质设计，主流做法是一条四步流水线。每一步的输入、模型和产出都不一样。

四步流水线总览

步骤一：说清楚要什么

这一步没有模型参与，但它决定了后面所有计算的方向。

要回答的是几个具体问题：这个蛋白质要结合哪个靶点的哪个位点，还是要催化某个反应？在什么条件下工作（温度、pH、溶剂）？需要多稳定、多好表达？对大小有没有限制？

规格具体到什么程度，举个例子。"设计一个蛋白质"没法算。"设计一个 80 到 120 个氨基酸的蛋白，结合某个靶点的这块表面，对称性为 C3，热稳定性要好，在大肠杆菌里能可溶表达”。这才是一份能喂给模型的规格。对称性约束、靶点表面热点残基、长度区间，这些东西都可以作为条件写进生成过程。

规格写得越具体，后面的搜索空间越小。一个要求"结合 IL-2 的某个表位"的设计，和一个只说"造个蛋白质"的设计，计算量与成功率完全是两个量级。

步骤二：画骨架（RFdiffusion）

有了规格，第二步是生成一条符合要求的主链（backbone）——也就是氨基酸骨架的三维坐标，先不管序列。

这里用的模型叫 RFdiffusion，扩散模型，2023 年发表在 Nature。它的做法是从一团随机噪声出发，逐步去掉噪声，最终得到一条满足条件的主链。可以指定结合某个靶点，可以约束对称性，可以设定长度上限。已报道的案例里能生成到 600 个氨基酸，也能产生天然蛋白质数据库里没有的拓扑结构。

这一步产出的是"形状"，不是"蛋白质"。形状能不能真的折叠出来、有没有功能，取决于后面两步。

步骤三：填序列（ProteinMPNN）

拿着一条主链坐标，要找出一条能折叠成这个形状的氨基酸序列。这个问题叫逆折叠（inverse folding），用的工具叫 ProteinMPNN，2022 年发表在 Science。

它的评价指标叫序列回收率：用模型给某个已知结构设计序列，再看这条序列与天然序列的吻合比例。ProteinMPNN 做到 52.4%，同一基准下 Rosetta 大约是 32%。

回收率五成听起来不高，但这里有个容易读歪的地方：回收率高代表保守，不代表好。一个与天然序列吻合度很高的设计，等价于模型在复述已知答案；真正有价值的是那些回收率不高、却仍然能折叠出目标结构的新序列——那才是模型在提供自然界没给过的东西。ProteinMPNN 设计的序列，实验验证的折叠成功率超过一半。

步骤四：验证，以及那条 0.6 埃的线

前三步都在计算机里。第四步是把序列合成出来、表达、纯化，再测它到底折没折成想要的形状、有没有功能。

这里有一个能把整条流水线串起来验证的做法：把设计出来的序列喂回 AlphaFold，让它预测结构，再与最初画的那条主链比对。两个模型给出的形状高度一致，说明设计在计算层面自洽；真正作数的还是实验解析出来的结构。

RFdiffusion 的那篇 2023 年 Nature 论文里，实验解析出的结构与设计主链的偏差可以低到 0.6 埃。作为参照，两个原子之间共价键的长度在 1 到 2 埃之间——设计图和实物已经接近同一个东西。

为什么是现在

这条流水线在五年前搭不起来。变化发生在三个地方。

物理能量函数换成了学习到的先验。 Rosetta 那一代方法靠人工写能量项：氢键怎么算、疏水堆积怎么算、二硫键怎么加分。这套规则管用，但每加一条新约束都要人工调参，而且规则之间会打架。现在的模型不再手写规则，直接从蛋白质数据库里学"什么样的主链是合理的"。数据库里几十年的实验结构，成了模型的先验知识。

序列本身变成了可学习的对象。 蛋白质语言模型把氨基酸序列当"句子"来读，从几亿条自然序列里学统计规律。有意思的一点是：AlphaFold 2 需要同源序列做比对才能预测准，而新一代语言模型看一条孤立序列也能给出结构。对那些没有任何同源信息的全新设计，路是通的。

算力和数据规模到了阈值。 公开解析的实验结构有十几万条，AlphaFold 的训练用了上百块 GPU 跑数周。这个量级在 2010 年前后不可想象。

三个条件凑齐，才有了 2020 到 2024 这几年的集中爆发。

19% 是个什么水平

Watson 等人 2023 年的那项工作测了一大批针对不同靶点设计的结合蛋白。判定标准是结合响应达到阳性对照最大响应的一半以上，整体成功率 19%。这些分子不需要再做进一步的实验优化，亲和力就能到纳摩尔级别。

19% 这个数字需要放在参照系里读。

同一批靶点上，用 Rosetta 传统流程做设计，成功率比这低大约两个数量级。传统定向进化这条路，有产业调研给出的成功率不足 1%。

所以 19% 的含义是：从"盲筛上千个才碰上一个"变成"做二十个能成一个"。它远没有到"想要什么就有什么"的程度，但已经把这件事从碰运气变成了可以计划的工程。

淘汰是从头开始的，而且每一层的死因不一样。ProteinMPNN 设计的序列，实验折叠成功率过半。也就是说，光是"折成想要的形状"这一层就要砍掉一半。折出来的还要过表达这一关（可溶性、产量够不够），再过纯化，最后才轮到测活性。RFdiffusion 报告的 19%，是走完这整条漏斗之后的数字。

这也给排查失败提供了抓手。折不出来是热力学问题，回去查主链是否合理；能折但不可溶是表达问题，去调序列的表面电荷分布；有结构没活性是功能问题，活性位点的几何要重新看。知道在哪一层死掉，比知道死了多少个更有用。

还有一个更实际的推论。成功率没到 100%，第四步的实验验证就不能省。模型给出的是候选，实验给的是裁决。把"设计-构建-测试-学习"这个循环跑起来，才是这套方法真正的用法。

成功率对比

一个真正能落地的方向：造酶

结合蛋白之外，酶是这条流水线在合成生物学里分量更重的一个落点。原因很直接：生物制造卡在催化剂上。有调研数据显示，仅制药、化工、农业三个领域，因缺乏理想酶导致的年产能损失就超过千亿美元。而天然酶只认自然界已有的反应，新型塑料、特定药物中间体、难降解污染物这些人造分子，大多没有现成的酶可用。

2025 年有一项工作把这条流水线推到了酶上：用 RFdiffusion 生成丝氨酸水解酶的主链，再用一个叫 PLACER 的活性位点优化网络精修。设计出的酶能加速一个四步化学反应，催化效率比此前工程化的水解酶高出 60000 倍。这是头一回有从头设计的酶加速多步反应。

另一条思路是条件生成：给模型一个酶的分类编号（EC number），让它生成符合该类催化功能的全新序列。代表工具叫 ZymCTRL，思路接近语言模型的受控生成：输入一个功能标签，输出一段序列。它绕开了"必须先有天然模板"的限制。

从序列预测催化效率

画骨架、填序列之外，还有一条并行的路线：不去创造新酶，而是从海量已知序列里预测哪个变体的催化效率更高。

这类模型把蛋白质序列和底物结构分别编码成向量，再预测 kcat、Km、kcat/Km。评价指标常用对数均方根误差，越小越好：新一代工具把 kcat 的误差压到 0.22，上一代同类工具是 0.41。

拿一个香草醛合成相关的酶做例子。野生型的 kcat/Km 是 120，模型从一万五千多个突变体里挑出高活性变体，提升到 3440；再叠加定向进化，做到 12830。三个数之间隔了两个数量级，靠的是排序，靠的是先测最有希望的那一批。

这类工具的价值在于把实验次数压下来。传统定向进化要在上万个变体里盲筛；有了预测模型，先排序再测，测的是最有希望的那几十个。数据库层面也跟上了：有工作只要求输入底物的 SMILES 和蛋白序列，就能批量给出 kcat 预测值，并把这些结果整理成公开数据库。

造酶案例：模型排序 + 定向进化的叠加

无细胞体系 + 主动学习

对做无细胞蛋白表达（TXTL）的人来说，有一条路线值得专门看。

2025 年的一项工作把机器学习直接接到了无细胞基因表达体系上，构成一个闭环：模型提出候选变体，无细胞体系当天表达出来、当天测活性，数据回喂给模型，下一轮再提。这个循环有个固定名字，叫设计-构建-测试-学习（DBTL）。

无细胞体系在这里有几个天然优势。它不用养细胞，省掉转化、克隆、扩大培养；反应体积可以压到微升甚至纳升，一块 96 孔板能并行跑几十个变体；表达和测活可以接在一起，当天出数据。传统路线里，光是构建一个突变体质珠再等它长出来就要一两天。

这套平台在一轮验证里评估了 1217 个酶变体、10953 个反应，得到一个活性提升 42 倍的酰胺酶。传统方法做同样的事要几周到几个月，这里以天计。

这类体系的门槛不高，无细胞表达可以批量做在孔板里。它真正的瓶颈不在设备，在于每一轮该选哪些变体去测。选得好，几轮就收敛；选得差，测一堆平庸变体浪费预算。这正是模型能帮上忙的地方：用预测值排序，用不确定性决定要不要冒险测一个冷门候选。

从单个酶到整条通路

前面讲的都是一个蛋白。合成生物学真正要面对的，常常是一条通路：三五个酶排在一起，把底物一步步变成产物。

这时候问题就换了一层。单个酶活性再高，通路不一定通：上游酶快、下游酶慢，中间产物会堆积；辅因子消耗了没人回收，走几步就停；副反应把流量引到别处，产物得率上不去。

这一层的模型要回答的问题也不同。哪些酶的搭配在热力学上可行？几个酶的表达量该怎么配比，中间产物才不会积累？辅因子怎么再生？某一步的副产物会不会反过来抑制别的酶？

这类通路级建模已经有可用的产出。有工作把测量条件（pH、温度、辅因子种类）作为输入喂给模型，再拿预测结果去筛高活性酶候选、指导定向进化，在一个酪氨酸氨解酶上把催化效率提升了 3.5 倍。系统层面的建模也被用在多糖降解、木质素高值化、萜类合成这些多酶过程上，把酶的组织方式显式纳入预测之后，通路设计的可靠性上来了。

这里其实才是“机器学习 + 合成生物学”交汇实在的地方：AI 帮你的地方未必在造一个蛋白，更多时候是在几百个可能的组合里，找到那个能跑通的。前者是分子问题，后者是系统问题。

它做不到的事

把能力边界说清楚，比列功能更重要。

设计不等于有功能。 19% 的成功率已经说明了这一点。主链画得再准、序列填得再合理，折叠出来未必有活性。活性位点的几何、过渡态的稳定、底物进出的通道，这些都还会出问题。

构象柔性基本算不了。 酶要"动"才能催化：诱导契合、别构调节、loop 的开合。现在的模型大多在静态结构上工作，把蛋白质当成一个刚性的形状来处理。真实催化里那些毫秒级的动态，模型看不到。这也是为什么设计出的酶常常要再叠一轮定向进化，把"能用"磨成"好用"。

零样本是硬缺口。 模型的训练依赖已知的酶-底物配对数据。遇到自然界没有的人造分子，训练集里找不到相近的例子，预测就会失灵。目前的解法之一是检索增强：先从结构库里找与目标底物相似的分子，拿这些线索当作生成时的参照，再让模型补全剩下的部分。2025 年有相关工作发表在机器学习顶会 ICML，声称对全新底物也能按需生成，但离通用还有距离。

数据比算法更卡脖子。 公开的 kcat、Km 数据只有几万条量级，而且测量条件不一、口径混乱。同一个酶在不同 pH、温度、溶剂下测出来的数不可直接比较，可模型往往不知道这些上下文。把"测量条件"作为输入喂给模型，是这两年才开始的改进方向。

能力边界

想上手的话，从哪里开始

这套流水线的关键工具基本都开源了，硬件门槛也比想象中低。

结构预测：ColabFold 可以在 Colab 上直接跑 AlphaFold 2，不用配环境。AlphaFold 数据库里的两亿个结构可以直接查。

逆折叠：ProteinMPNN 的官方实现开源，给定一个 PDB 主链文件，几行命令就能产出若干条候选序列，还能控制采样温度来调节序列的多样性。

主链生成：RFdiffusion 开源，需要在本地 GPU 上跑。一个 4060 级别的显卡可以处理中等规模的设计任务，更大规模需要租卡。

动力学预测：DLKcat、UniKP 这类工具输入底物 SMILES 和蛋白序列就能给 kcat 预测值，适合在改造某个酶之前先做一轮筛选。

对学生项目来说，现实的切入点是：先选一个有明确功能目标的小蛋白（几十到一百多个氨基酸），用 ColabFold 查它和同源蛋白的结构，再用 ProteinMPNN 做几条变体，送测序表达。整套流程走一遍，比看十篇综述有用。

如果只想先摸一摸，一个周末能做完的事是：装 ProteinMPNN，从 PDB 挑一个自己熟悉的蛋白结构，跑 5 条设计序列，把它们和天然序列做比对，看模型在哪些位置保守、在哪些位置大胆给出了不同的残基。这一步不花实验经费，却能让人直观理解"回收率五成"到底意味着什么。

写在最后

蛋白质设计真正变化的地方，不在某个模型的精度数字，而在方向。

以前要做蛋白质，只能在天然的上面改：找一个已有的酶，饱和突变，筛活性，祈祷运气。这条路能走，但走不远——它受限于自然界已经给过的答案。

现在可以先把想要的形状画出来，让模型回答用什么序列。蛋白质因此从"发现的东西"变成了"可以设计的东西"。设计带来的直接后果是：失败变得可解释，迭代变得可计划。

模型在这条路上给出的所有数字，都得靠一根试管来裁决。这也正是它依然迷人的地方——算法提候选，实验做裁决，两边都不能省。

参考资料

[1] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021, 596(7873): 583-589.

[2] Watson J L, Juergens D, Bennett N R, et al. De novo design of Protein Structure and Function with RFdiffusion. Nature, 2023, 620(7976): 1089-1100.

[3] Dauparas J, Anishchenko I, Bennett N, et al. Robust deep learning-based protein sequence design using ProteinMPNN. Science, 2022, 378(6615): 49-56.

[4] The Nobel Prize in Chemistry 2024. NobelPrize.org. https://www.nobelprize.org/prizes/chemistry/2024/summary/

[5] Lauko A, et al. De novo design of serine hydrolases. Science, 2025.（RFdiffusion + PLACER 设计四步反应酶）

[6] Wang Z, Xie H, et al. CataPro: accurate and generalizable prediction of enzyme kinetics. 2025.（SsCSO 与香草醛合成酶案例）

[7] Yu H, Deng H, et al. UniKP: a unified framework for the prediction of enzyme kinetic parameters. Nature Communications, 2023, 14: 8216.

[8] Li G, et al. Deep learning-based kcat prediction enables improved enzyme-constrained model reconstruction. Nature Catalysis, 2022, 5: 662-672.

[9] Landwehr M, et al. Machine-learning-guided cell-free gene expression for rapid enzyme design and evolution. 2025.（1217 变体 / 10953 反应 / 酰胺酶 42 倍）

[10] Feruz S, et al. ZymCTRL: a conditional language model for the controllable generation of artificial enzymes. NeurIPS 2022 Workshop on AI for Science.

[11] Meng S, Cui H, et al. AI-driven enzyme engineering: from single-enzyme modeling to pathway design. BioDesign Research, 2025. DOI: 10.1016/j.bidere.2025.100044

[12] Baek M, DiMaio F, Anishchenko I, et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science, 2021, 373(6557): 871-876.（RoseTTAFold）

[13] Abramson J, Adler J, Dunger J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024, 630: 493-500.

[14] Arnold F H. Directed evolution: bringing new chemistry to life. Angewandte Chemie International Edition, 2018, 57(16): 4143-4148.

[15] Ferruz N, Schmidt S, Höcker B. ProtGPT2: a deep unsupervised language model for protein design. Nature Communications, 2022, 13: 4348.