ARTICLE · 1227103
给一句话生成一个蛋白质,AI做到了
在实验检测中，一抹微弱的绿色荧光，出现在一个由AI设计的候选蛋白质中。
它被命名为pinalGFP。这一次，研究人员并不是直接取用天然荧光蛋白序列，也不是围绕某个已知模板反复突变优化，而是给一个名为Pinal的AI模型一段关于目标功能的自然语言描述，让模型生成候选蛋白质序列，再通过筛选和实验验证寻找其中具有功能的。
Pinal给出的设计案例覆盖了荧光蛋白、塑料降解酶、代谢酶和固碳体系相关蛋白等不同场景，展示了其功能蛋白设计的多场景适用性。
北京时间2026年10月21日23点，相关论文 “Programmable design of functional proteins from natural language” 在线发表于《自然》杂志。该研究由西湖大学原发杰、刘建明团队，香港科技大学（广州）卢泓远团队，以及中国科学院深圳先进技术研究院司同团队合作完成。
论文地址 www.nature.com/articles/s41586-026-11205-z
Pinal网址
www.denovo-pinal.com
蛋白质设计领域方兴未艾。去年，西湖大学卢培龙团队实现了跨膜荧光激活蛋白以及电压门控阴离子通道的精确从头设计；今年，曹龙兴团队和解明岐团队合作，开发出可被小分子药物精准调控的蛋白质多聚化系统……研究者正在利用对生物学规律的理解，在 AI 工具辅助下，开发具有全新功能的蛋白质。
作为数十亿年演化的结果，蛋白质拥有极其纷繁复杂的构象，是执行生命活动最基本的“元件”。而在实验室里，蛋白质正在加速“另一种演化”：研究者通过设计与验证，让它们获得自然界中未必存在的新功能。这是一种建立在生命规律之上的人类创造。
过去的蛋白质设计，需要科研团队从构思到验证深度投入。那AI有没有可能根据人类给出的语言指令，直接提出一个蛋白质候选？这就是原发杰团队这项工作的出发点——构建一个由自然语言驱动的通用蛋白质设计模型 Pinal。Pinal是Protein-design Interface using Natural Language的缩写。
想要设计一个全新的蛋白质，并不容易。这对 AI 来说，又是一场新的“蹒跚学步”。
蛋白质是生物大分子，其组成单位为氨基酸，具体由20种氨基酸通过肽键连接形成多肽链，再进一步折叠、盘绕形成具有一定空间结构的大分子物质。
蛋白质的一级结构是氨基酸的线性排列，也就是蛋白质序列；二级结构如 α-螺旋、β-折叠，会进一步组合形成三级结构；多个亚基还可以组装成四级结构。正是这种层层折叠出的精确空间结构，赋予蛋白质各种特定功能。在冷冻电镜重构出的结构图中，蛋白质常像一团复杂缠绕的毛线，成千上万个原子在纳米尺度内有序排布。
蛋白质设计的难点也正在于结构环环相扣。换掉一个氨基酸，邻近氨基酸之间的相互作用可能随之改变，整条链的折叠路径也可能被带偏。
近几年的技术发展，已经让 AI 能够更好地预测蛋白质结构与序列之间的关系。那如果更进一步，能不能直接用自然语言描述蛋白质的功能，让AI生成对应的蛋白质序列？直觉上，模型凭借海量先验知识，似乎足以生成合理的候选序列。
原发杰团队开始也是这么想的。他们试着用自然语言描述蛋白质功能，训练模型生成它认为合理的序列。但很快，问题就暴露出来了。
这里存在一个数据鸿沟。人类已知的蛋白质序列数据，远远多于有准确结构数据和经过实验验证功能的数据。蛋白质序列可以通过成熟的基因测序技术获得，但结构解析与功能验证通常需要生物学家深度参与。即使有 AI 辅助，也很难对复杂结构和功能做出完全可信的判断。
说白了，就是我们有很多蛋白质序列，但并不总是知道它们的结构和功能。对训练模型来说，这是一种左右脚不平衡的状态——海量序列数据说不清结构，也说不清功能，模型自然很难学到从功能到序列的可靠对应关系。
团队由此意识到，自然语言不宜直接生成蛋白质序列，这中间需要一座桥。
原发杰和实验室成员在讨论中
刚刚我们提到，精确的结构赋予了蛋白质特定的功能，缺少了结构的蛋白质序列不能发挥作用。那是不是可以把蛋白质结构也“教”给大模型？团队开始尝试引入蛋白质结构作为中间约束，以此来训练模型Pinal。
为什么要以结构为桥？因为蛋白质序列看起来只是20种氨基酸字母的排列组合，可能性极其庞大；但并不是每一种排列都能折叠成稳定结构、发挥功能。结构则不同，它已经包含了折叠后的空间关系和物理化学约束，因此更接近蛋白质真正工作的样子。
为了训练Pinal，研究团队整合了多种来源的蛋白质数据，构建了覆盖约1.35亿条不同蛋白质序列的训练数据集。其中，一部分包含经过专家审核的高质量功能注释；更大一部分则借助团队此前开发的模型工具，生成相应的功能描述。通过为同一蛋白质配备多种语言表述，团队最终构建了包含约17亿条“蛋白质—文本”配对的合成训练数据集，为模型学习语言描述与蛋白质之间的关联提供了基础。
研究发现，随着训练数据和模型规模增加，生成蛋白质与文字需求的匹配程度、预测折叠质量等指标持续改善。在多种计算评测中，Pinal也表现出较好的语言对齐能力和序列多样性。
模型运行时的流程大致分为三步。第一步，根据文字生成蛋白质的结构蓝图；第二步，照着蓝图安排氨基酸的放置位置；第三步，对众多候选氨基酸序列打分，挑出最符合目标的候选序列。相当于让模型先知道“发挥这个功能的蛋白质长什么样子”，再设计序列。团队观察到，以结构作为中间桥梁，候选序列的实验成功率明显提升。
Pinal概念图 by Image-GPT 2
AI设计出来的序列能否在实验中真正发挥作用，是这项研究的关键。团队选择了四类功能迥异的蛋白质，全部以文字描述作为输入，再通过计算筛选确定候选序列进入实验。
第一类，是能够发出绿色荧光的蛋白质。荧光蛋白需要形成特定的空间结构，并在内部形成发色团。团队从优先筛选的29个候选设计中获得了具有绿色荧光的PinalGFP。对发色团关键残基进行突变后，其荧光消失，支持了这一设计具有相应的发光机制。
第二类，是降解PET塑料的酶。PET广泛用于塑料瓶和聚酯材料。团队筛选获得的pinalPETase36能够在实验条件下水解预处理PET底物。化学分析检测到了逐渐积累的降解产物，扫描电子显微镜显示，酶处理后的PET表面出现了孔洞和凹坑。
第三类，是醇脱氢酶。这类酶参与醇与醛或酮之间的转化，在生物催化中具有应用价值。团队没有在文字需求中限定酶的亚家族或链长，最终获得了覆盖三个不同亚家族的五种活性设计，展示了模型围绕同一功能生成多种分子方案的能力。
第四类，是在二氧化碳固定多酶体系中承担物质转运的穿梭H蛋白。相比单个蛋白质独立发挥作用，H蛋白需要经过正确的翻译后修饰，并与其他酶协同工作。这使它成为检验设计蛋白质能否融入复杂多酶反应体系的重要案例。
这四类验证覆盖了荧光、塑料降解、酶催化和多蛋白质体系协同功能，共同证明了一件事：Pinal可以设计出自然界不存在的、全新的、且在实验中真正发挥作用的蛋白质。
原发杰表示，Pinal的关键不只是让AI生成一串看起来合理的氨基酸字母，而是继续追问：这些字母“组成”的蛋白质，离开电脑后，能不能在真实实验中发挥功能？但他也说，目前的Pinal模型仍处于概念验证阶段，更多精细化的蛋白质功能设计需求，例如通过文本指定荧光蛋白的发光波段，仍是他们下一阶段的科研挑战。
本研究共同第一作者戴枫源
后记：穿行于蛋白质宇宙
我们经常形容蛋白质为一个浩瀚的宇宙。在这个宇宙里，有绕不开的三角——氨基酸序列、三维空间结构、自然语言对功能的描述。
原发杰团队这次的工作，是让研究者用自然语言描述目标功能，再由 AI 生成候选蛋白质序列。但其实，他们已经利用人工智能工具，在这个由序列、结构和功能构成的“复杂三角”中探索多年。具体来说，团队重点围绕蛋白质语言与跨模态大模型、AI 驱动的基因编辑与蛋白质工程，以及冷冻电镜（Cryo-EM）结构生物学智能解析等方向展开研究。
去年，他们开发的ProTrek蛋白质语言大模型上线，让寻找蛋白质变成了像“百度一下”这么简单。研究者只需输入一段描述目标蛋白质特征的自然语言（例如：能够高效切割DNA某一位点的工具），AI就能在浩瀚的蛋白质宇宙中精准定位所需寻找的蛋白质。当然，ProTrek是搜索自然界中已有的蛋白质。
ProTrek是首个能同时理解蛋白质结构、序列、功能三种核心信息的模型，它将这三种不同维度的信息融合在一个统一的智能框架里，建立了深度的关联。
现在，让AI导航变成了让AI创造。过去，提出一个蛋白质设计需求，往往要先画结构、查同源、写修改方案；现在，第一步可以只是打下一行字。用语言提出需求，用人工智能探索方案，再通过实验确认功能。
这条从“一句话到一个全新蛋白质”的链路，正在被走通。未来，结合更丰富的功能数据与高通量实验筛选，自然语言引导的蛋白质设计有望进一步拓展能力边界。一句话所能抵达的地方，或许比我们想象的更远。
致谢
西湖大学原发杰、刘建明，香港科技大学（广州）卢泓远及中国科学院深圳先进技术研究院司同为论文共同通讯作者，原发杰课题组戴枫源和卢泓远课题组游世洋为共同第一作者。感谢西湖大学高性能计算中心提供的计算资源与技术支持。本研究获得国家自然科学基金、国家重点研发计划、浙江省“尖兵领雁计划”，以及广东省、广州市和深圳市相关科研项目的资助。
课题组介绍
原发杰课题组专注于人工智能生物大模型研究，致力于推动AI与生命科学的融合与创新。我们重点关注蛋白质语言模型在蛋白质结构、功能研究及蛋白质设计中的应用，并探索自然语言与蛋白质语言的跨模态建模。课题组现招收2026年入学博士研究生，长期招聘优秀的博士后、科研助理和访问学生。欢迎咨询。
邮箱
yuanfajie@westlake.edu.cn
微信号｜westlakeai
知乎号｜西湖大学人工智能
