提到蛋白质，很多人首先想到的是鸡蛋、牛奶和健身餐。

但人体里的抗体、酶、受体，以及一些药物，本质上也是蛋白质。

它们像钥匙、开关和微型机器：有的识别病毒，有的传递信号，有的推动人体内的化学反应。

现在，AI开始尝试设计自然界里可能从未出现过的新蛋白质。

它可能改变的，不只是实验室，还有我们未来怎样制药、生产和制造材料。

一、设计蛋白质，就像为一把锁设计钥匙

可以把一个疾病相关的靶点想象成一把结构极其复杂的锁。

如果想阻止它发出错误信号，或者把药物精准送到它附近，就需要找到一把合适的“钥匙”。

这把钥匙不能只是外形相似。

它还要认准目标、贴合得足够牢、自身保持稳定，并且能够在实验室里真正生产出来。

过去，研究人员主要从自然界已有的蛋白质中寻找候选，再通过大量实验反复改造。

问题在于，蛋白质由不同氨基酸组成，可能的排列方式几乎难以穷尽。逐个尝试，就像在一片看不到边界的钥匙堆里寻找正确答案。

AI蛋白质设计想做的，是先看清“锁”的结构，再直接提出一批可能匹配的新“钥匙”。

二、它会怎样影响我们的生活？

最直接的影响，可能来自药物研发。

许多疾病与蛋白质之间的异常作用有关。如果AI能更快设计出识别特定靶点的结合蛋白、抗体或酶，就可能帮助研究人员更早找到值得验证的药物候选。

这里最重要的两个字，是“候选”。

AI不能跳过细胞实验、动物实验和临床试验，更不能保证电脑里生成的结构最终一定能成为药物。

但它可以减少前期的盲目搜索，让有限的实验资源优先用在更有希望的方向上。

蛋白质设计还可能带来更精准的治疗。

传统药物有时会同时影响多个位置，因此产生副作用。新的设计方法希望让分子更准确地识别目标，或者把药物送到特定细胞和组织。

这有点像从“在一个区域里撒网”，逐渐走向“认准门牌再敲门”。

它的影响也不只在医药领域。

酶同样是蛋白质。食品、纺织、化工、制药和废弃物处理等产业，都在利用酶推动反应。

如果AI能够设计出效率更高、耐高温或适应特殊环境的酶，一些原本需要高温、高压或强腐蚀条件的生产过程，就可能在更温和的条件下完成。

这意味着更低的能耗，也可能意味着更少的副产物。

在更远的地方，蛋白质还可能参与制造生物胶黏剂、功能涂层、过滤材料、可降解材料和生物基复合材料。

所以，蛋白质设计不只是医学问题。

它也可能成为生物制造和新材料研发的一项底层能力。

三、AI不只是在屏幕上“画分子”

很多人第一次听说蛋白质AI，是因为AlphaFold。

AlphaFold主要解决的问题，可以粗略理解为：

已知一段氨基酸序列，预测它可能折叠成什么结构。

这像是拿到一张零件清单，推测它组装完成后的样子。

蛋白质设计把问题反了过来：

如果我需要一个能够完成特定任务的结构，应该怎样安排它的形状和氨基酸序列？

这不是“看懂”，而是“创造”。

但创造一张漂亮的结构图，还远远不够。

电脑里的钥匙看起来再合适，也必须回答三个现实问题：

• 它能不能被制造出来？
• 它能不能真的抓住目标？
• 它在真实环境中能不能稳定工作？

所以，判断AI蛋白质设计走到了哪一步，不能只看电脑生成了多少结构。

更重要的是看它有没有依次跨过几道门：

能不能制造出来 → 有没有真实功能 → 能不能进入人体试验 → 能不能通过监管审批。

四、离我们最近的一步：已经进入人体试验

截至2026年6月，还没有明确的AI从头设计蛋白质药物获得监管批准、正式上市。

但它也不再只是停留在论文里的未来设想。

有些AI设计的蛋白质已经在实验室中表现出真实功能。

一个直观的例子是esmGFP。

研究人员使用蛋白质生成模型ESM3设计出一种新的绿色荧光蛋白。它与已知最相近蛋白的序列相似度只有约58%，但被真实合成以后，确实能够发出荧光。

它不是治疗疾病的药物，却证明了AI能够提出自然界中未被发现的新蛋白质方案，并让它在现实中工作。

比实验室验证更进一步的，是进入人体临床试验。

2025年12月，生物技术公司Absci启动了ABS-201的Ⅰ/Ⅱa期临床试验。

这是一款由其生成式AI平台参与设计的抗体，目标是阻断催乳素受体，用于研究雄激素性脱发的治疗。试验计划在澳大利亚招募最多227名参与者，首先观察安全性、耐受性，以及它在人体内如何变化。

这件事之所以值得普通人关注，是因为它把“AI设计蛋白质”从抽象概念变成了一个具体场景：

AI设计的抗体，已经开始在人身上测试能不能治疗脱发。

但这句话必须说完整。

ABS-201目前仍是研究性药物。它的安全性和有效性尚未得到确认，也没有获得美国FDA或其他监管机构批准。

因此，AI蛋白质产品当前更准确的现实进度是：

实验室做出来了，部分候选开始进入人体试验，但距离药店和医院里的正式产品还有很长的路。

五、PPIFlow从哪里来？450个候选结果怎么样？

讲到这里，需要介绍一个贯穿本文后半段的研究项目：PPIFlow。

名字里的PPI，是Protein-Protein Interaction的缩写，中文叫“蛋白质—蛋白质相互作用”。

Flow指它采用的“流匹配”生成方法。简单理解，就是让模型从一个粗略的初始状态出发，一步步生成更符合目标的蛋白质三维结构。

许多药物发挥作用，靠的正是让一个蛋白质精准识别并结合另一个目标蛋白。可以把目标蛋白想成一把结构复杂的锁，研究人员要设计的结合蛋白，就是一把能够扣住特定位置的钥匙。

PPIFlow来自一项发表于2026年预印本平台bioRxiv的蛋白质结合物设计研究。研究团队把生成模型、计算优化和实验筛选连接起来，并公开了相关代码。它不是一种药物，也不是面向普通用户的软件，而是一套帮助研究人员设计蛋白质结合物的专业模型和研发流程。

如果说ABS-201展示的是一个候选药物怎样向临床推进，那么PPIFlow回答的是另一个问题：

在进入漫长的临床道路以前，AI能不能先批量提出候选，并帮助实验室找出更值得制造和测试的方案？

它把整个过程组织成了一条计算流水线：

先批量提出候选，再打磨结合界面的关键位置，最后筛出最值得进入实验室的一批。

换句话说，AI开始参与的不只是“画方案”，还有“改方案”和“选方案”。

这是整项研究最有分量的部分。

研究团队把450个AI设计的候选送进了实验室。它们全部完成了蛋白表达，也就是说，这些设计不再只是电脑屏幕上的结构图，而是变成了能够拿来测试的真实样品。

接下来，研究人员测试这些蛋白质能不能抓住指定目标。

第一轮测试了210个普通结合蛋白，其中76个达到了研究设定的较强结合水平。

换成更容易记住的说法：

每测试100个AI候选，大约有36个表现出了较强的结合能力。

第二轮测试的是240个设计难度更高的VHH纳米抗体，也有大约三分之一能够与目标结合。

这并不意味着AI已经解决了蛋白质设计。

不同靶点的难度并不相同，候选会失败，计算结果也可能与真实实验不一致。即使能够结合目标，距离成为真正的药物仍有很长的路。

但它至少证明了一件事：

AI提出的部分设计，确实能够被制造出来，也确实能在真实实验中抓住目标。

AI没有取代实验室。

它正在帮助实验室决定：哪些候选最值得先做。

六、真正改变的，是寻找答案的方式

过去的研发，常常需要先做大量实验，再从结果里寻找规律。

AI正在尝试把一部分试错提前到计算机里：

定义目标 → 生成候选 → 计算筛选 → 实验验证 → 数据反馈。

对普通人来说，它可能意味着更快找到药物候选、更精准的治疗工具，以及效率更高的工业酶和新的生物材料。

对研发人员来说，它带来的变化更加直接：

不是取消实验，而是让每一次实验都更接近真正的问题。

读到这里，我想到的是另一个离蛋白质很远的领域——混凝土。

一套超高性能混凝土，同样要在水泥、砂、矿物掺合料、纤维、外加剂和用水量组成的巨大空间里寻找答案。

既然AI已经开始按照目标设计蛋白质，它能不能用类似的思路设计下一代混凝土？

这个问题，我会在下一篇「超级图图·筑」中继续讨论。

下期预告｜超级图图·筑 第2期

AI能设计蛋白质，为什么还不能设计混凝土？

你更希望AI设计蛋白质首先改善哪件事：新药研发、精准治疗、绿色制造，还是新材料？

「超级图图·生」关注生物科技、生物制造、合成生物与生物基材料，观察生命科学如何从实验室走向产业和工程应用。

资料边界

• PPIFlow是一套面向蛋白质结合物设计的专业模型和开源流程。
• 450个候选完成蛋白表达，不等于它们全部具备目标结合能力。
• esmGFP
  是经过实验验证的AI生成荧光蛋白，不是获批药物。
• ABS-201
  已进入Ⅰ/Ⅱa期临床试验，但仍是研究性药物，尚未获得监管批准。
• 截至2026年6月，尚无本文能够确认的AI从头设计蛋白质药物正式获批上市。
• 计算设计和筛选不能代替湿实验，更不能代替药物研发中的安全性、有效性和临床验证。
• PPIFlow代码采用CC BY-NC-SA 4.0许可，不应直接表述为可免费商用。

主要资料

• Hayes et al.：Simulating 500 million years of evolution with a language model，Science，2025
• Absci：ABS-201项目与临床试验说明
• Absci：Biologics Pipeline
• PPIFlow GitHub：Mingchenchen/PPIFlow
• Yu et al.：High-Affinity Protein Binder Design via Flow Matching and In Silico Maturation，bioRxiv，2026
• PPIFlow Flow Matching综述：2024—2026年代表性方法、挑战与技术路线整理

蛋白质设计前沿技术

Frontier technologies in protein design

     近年来，人工智能已彻底颠覆了蛋白质设计领域。以AlphaFold、ESM、RFdiffusion为代表的一系列AI工具，使得从零开始创造具有全新结构和功能的蛋白质成为可能，为生物医药、酶工程等领域带来了前所未有的机遇。 然而，强大的工具也带来了新的挑战：复杂的软件环境配置、多样的模型调用方式以及从“想法”到“设计”的完整工作流整合，成为了许多研究者，尤其是初学者的现实门槛。

      本课程旨在系统性地解决这些问题。我们将从最基础的Linux与Conda环境管理讲起，确保每位学员搭建起稳定、可复现的计算平台。课程核心将深度实践三大前沿工具：利用ESM模型进行序列分析与特征提取；掌握ProteinMPNN为给定骨架设计最优序列；并通过RFdiffusion实现从无到有的蛋白质骨架生成。最终，我们将以一个完整的“设计靶向EGFR的全新结合蛋白”综合项目，串联所有技术环节，带领学员亲历从靶标分析、骨架生成、序列设计到AI结构验证的完整闭环，快速获得独立开展AI蛋白质设计的能力。因此，中国化工企业管理协会医药化工专业委员会决定于2026年6月26-28日在杭州市举办“2026 AI蛋白质设计前沿技术实战培训班”。届时将邀请行业内实践专家针对相关内容进行讲解与实操教学。参会名额有限，望各有关单位积极转发或组织相关人员尽快报名参加。现将有关事项通知如下：

 组织机构

主办单位：中国化工企业管理协会医药化工专业委员会

承办单位：中科凯晟（北京）化工技术研究院

 会议安排

时间：2026年6月26-28日（26日全天报到）

地点：杭州市

 培训形式

l基础奠基，工具实践，实例分析，互动答疑

l 完成全部培训课程者由协会颁发培训证书

 报名信息表

 联系人

组委会秘书处： 电 话：18701692140（同微）

 联 系 人： 张立  

电子邮箱：huagong_zhangli@163.com