AI蛋白质预测的下一个战场:让蛋白质设计像聊天一样简单

protein molecules

蛋白质是生命活动的核心执行者。理解蛋白质、设计蛋白质，一直是生物学最前沿、也最困难的命题之一。

2020年，AI蛋白质结构预测迎来了属于自己的“高光时刻”。以AlphaFold2为代表的深度学习模型，让困扰科学界半个世纪的“蛋白质折叠问题”几乎迎刃而解——从氨基酸序列出发，高精度预测蛋白质的三维结构，从此成为可能。2024年，这一成就获得了诺贝尔化学奖的认可，也标志着AI在生物学中完成了从“辅助工具”到“基础能力”的跨越。

但科学不会止步于“看清”。结构预测只是第一步，接下来的命题更具挑战性，也更具价值：我们能否用AI设计出自然界中不存在的蛋白质？能否精准控制它们的功能？能否让这项技术从顶尖实验室走向每一个研发者的桌面上？

答案是：正在发生。

2026年春天，在Nature子刊CommunicationsBiology的一篇综述中，研究者指出，结构生物学正进入一个新阶段——AI引导的蛋白质设计平台正在将蛋白质结合剂的开发转化为一种可规模化、可工程化的学科，实验成功率显著提高。这意味着，蛋白质设计正在从“手艺活”变成“流水线”。

如果说结构预测是AI蛋白质研究的“第一次浪潮”，那么当前正在上演的，则是以功能预测、蛋白质生成和工程化平台为核心的“第二次浪潮”。以下几项趋势尤其值得关注：

科学家们将氨基酸序列视为一种“语言”，用大规模预训练模型来学习和预测蛋白质的性质与功能。2025至2026年间，蛋白质语言模型迎来了爆发式增长——南京大学参与研发的xTrimoPGLM模型以1000亿参数的规模，在18个蛋白质相关任务中15项超越此前的最佳方法，展现了大模型在蛋白质理解任务上的惊人潜力。

生成式AI不仅能够预测已知蛋白质的结构，还可以从头创造全新的蛋白质分子。MIT研究团队提出的BoltzGen模型、英伟达打造的Proteína-Complexa方法等，都在推动“从头设计蛋白质结合剂”走向实用化。这些进展正在改变药物发现的底层逻辑：以往需要从自然界“寻找”分子，现在可以在计算机上“创造”分子。

据QYResearch最新报告，2025年全球AI蛋白质设计市场规模已达约6.1亿美元，预计到2032年将突破20亿美元，年复合增长率接近18.6%。制药巨头与AI企业的合作日益频繁，多家大型药企已与AI蛋白质设计公司签署了长期合作协议，AI正从“可选工具”变为“必选基建”。

行业正在高速前进，但一个关键问题始终悬在空中：技术的强大，是否只属于少数的顶尖机构？

要回答这个问题，不妨回到文章开头那个案例。完成数十个全新蛋白质结合剂分子设计的“幕后推手”，正是2026年4月由上海天鹜科技正式发布的对话式蛋白质研发智能体——MatwingsVenus™（晓鹜™）。

MatwingsVenus™（晓鹜™）究竟是什么？用一句话概括：它是一个以AI智能体为核心的一站式蛋白质研发平台，但它的交互方式不是复杂的代码或专业界面，而是自然语言对话。

用户只需告诉MatwingsVenus™（晓鹜™）想要做什么——比如“帮我设计一个能结合某个靶点的蛋白”——系统就会自动拆解任务，调用平台上集成的200多种蛋白质设计工具、检索百亿级真实标签蛋白质数据库，完成从行业研究、序列设计、结构预测到功能筛选的全流程计算工作。

但这还不是最关键的。MatwingsVenus™（晓鹜™）真正与众不同的地方在于它打通了“干实验”（计算）与“湿实验”（实验验证）之间的壁垒。传统蛋白质研发中，计算设计与实验验证往往分属不同团队，传递效率低、反馈周期长。而在MatwingsVenus™（晓鹜™）平台上，AI完成设计后，结果可直接导入自动化共享实验室，由机器人完成样品制备和功能检测，实验结果再回流至下一轮AI迭代——形成一个“设计即验证、验证即迭代”的闭环，彻底打通了计算与实验之间的“最后一公里”。

更直观地说：过去，一个大药企需要多个团队接力、耗时数月才能完成的事情，如今一个研究者通过对话，就可以在MatwingsVenus™（晓鹜™）平台上自行完成。平台还整合了50多位经平台认证的各领域专家，用户可随时发起专家协同，为设计方案提供权威见解，让专业判断与AI能力形成共振。

天鹜科技创始人兼首席科学家洪亮曾这样描述他的愿景：当AI和自动化工具将科研门槛大幅降低，更多个人和小团队可以投身个性化创新，这将释放远超以往的生产力。

Performance data after 24 hours of alkali treatment

一个平台是否可靠，最终要回到一个朴素的问题：它真的能在真实项目中拿出结果吗？

MatwingsVenus™（晓鹜™）的回答是肯定的。以天鹜科技官网披露的“VHH单域抗体（用于亲和填料的结合蛋白）”项目为例：

在生物制药的分离纯化环节，亲和填料是核心耗材之一，而其中起关键作用的结合蛋白需要同时具备高亲和力、高选择性和优异的化学稳定性。传统方法通常依赖动物免疫或大规模文库筛选，周期长、成本高，且性能提升往往陷入“按下葫芦浮起瓢”的多指标博弈困境。

天鹜科技的团队将这一任务输入MatwingsVenus™（晓鹜™）平台，由智能体自动完成VHH单域抗体的结构建模、结合界面设计、序列优化与稳定性预判等全流程计算工作。设计方案随后直接导入自动化共享实验室，由机器人完成样品制备和功能检测，实验结果再回流至下一轮AI迭代——在“设计即验证、验证即迭代”的闭环中，平台高效筛选出了满足工业应用要求的高性能VHH结合蛋白，大幅缩短了从设计到交付的研发周期。

工业端有亲和填料结合蛋白的精准设计，创新药端有抗体从头设计与复杂蛋白的多轮优化——多个真实案例共同传递了一个信号：AI驱动的蛋白质研发，已经不再是概念演示，而是真正能够跨场景、跨领域产出有功能蛋白产品的“生产力工具”。

回顾过去几年的技术演进，一条清晰的脉络浮现出来：蛋白质科学正在经历从“集中化”到“民主化”的转变。

曾经，高精度的蛋白质结构预测和设计能力，被少数顶尖学术机构和大药企垄断。而今天，随着MatwingsVenus™（晓鹜™）这类“对话式智能体”的出现，曾经需要千万级投入和庞大人力才能运转的研发基础设施，正在转化为个人开发者也能轻松调用的“共享科研资源”。

这场变革的底层逻辑并不复杂：当AI将计算能力变得唾手可得，当自动化实验将验证成本降至“按需付费”，科研创意的壁垒被拆除——真正有价值的，将不再是拥有多少设备或人才，而是提出正确问题的能力。

Future scenarios

从AlphaFold到MatwingsVenus™（晓鹜™），从结构预测的突破到对话式研发智能体的诞生，AI蛋白质科学正以前所未有的速度演进。这些技术的最终目的，从来不是取代人类的创造力，而是把复杂的事情变简单，把少数人的能力变成多数人的工具。

未来的蛋白质产品——可能是攻克顽疾的创新药，可能是重塑味觉体验的食品蛋白，也可能是环保高效的工业酶——它们的创造者，也许不再是某个庞大的研发团队，而是任何一个拥有想法、打开MatwingsVenus™（晓鹜™）、说出一句“我想做一个……”的人。

这一切，才刚刚开始。