AI加速蛋白质设计

如果只需打开网页、选择靶点、点击生成，就能设计一种全新的蛋白质，甚至交给真实实验室验证，会怎样改变生物学研究？
近日，开发者 Julian Englert 发布了 Design a Protein，一个将 AI 蛋白质生成、交互式设计与自动化湿实验连接起来的平台，并参与 Anthropic × Adaptyv 蛋白质设计竞赛。
它把复杂的蛋白质设计压缩为三个步骤：
① 选择靶点： 在三维结构中观察目标蛋白，指定希望新分子结合的关键位点Hotspots
② AI 生成： 调用新一代 RFD4-Proteina 模型，根据结构约束，联合生成全新的氨基酸序列与三维结构。
③ 实验验证： 筛选候选分子，通过 Proteinbase 提交设计，由 Adaptyv 自动化实验室对入选蛋白进行合成、表达及功能测试。
无需自行部署复杂模型和 GPU 环境，研究者就能参与从计算设计到实验验证的过程。
最值得关注的是 GLP1R设计挑战：参赛者尝试从零设计作用于 GLP1R 的蛋白质，探索类似 GLP-1 药物的作用机制
难点是让它真正激活受体、触发下游细胞信号。
从“能否结合”到“能否发挥功能”，是蛋白质设计中关键的一步。

这个项目真正值得关注的是三种能力的整合：
设计民主化： 将专业计算流程转化为直观交互，让更多研究者参与分子设计。
干湿实验闭环： 让 AI 生成的候选分子进入真实实验，用生物学数据检验计算预测。
数据反哺模型： 将成功与失败案例转化为可复用的实验数据，支持后续模型评测与优化。

这也揭示了 AI for Science 的一个重要方向：
从预测走向设计，从生成走向验证，从单次计算走向实验驱动的持续迭代。
未来，科学 AI 平台的价值不仅在于模型有多强、能生成多少候选分子，更在于能否把科学假设转化为可检验的实验，并从结果中获得可靠的新知识。
AI 可以生成成千上万个看似合理的蛋白质，但真正推动科学进步的，是知道哪些设计在真实世界中有效，以及为什么有效。

#AIforScience #ProteinDesign #ComputationalBiology #RFD4 #Anthropic