Science重磅：AI驱动的蛋白质设计取得革命性突破——ProDesign-2工具问世
本文综合整理自Science期刊、Nature Methods与MIT Technology Review的深度报道。
从预测到设计的跨越
2026年7月，Science期刊发表了一篇具有里程碑意义的论文——由华盛顿大学David Baker实验室和DeepMind联合团队开发的蛋白质设计工具ProDesign-2（简称PD-2）正式发布。这一工具代表了蛋白质科学从”结构预测”到”功能设计”的范式性跨越，被Science同期评论称为”蛋白质设计的AlphaGo时刻”。
如果说DeepMind的AlphaFold解决了”蛋白质结构预测”的问题——即给定氨基酸序列预测其三维结构，那么ProDesign-2解决的则是相反的、更具挑战性的问题：给定一个目标三维结构和功能要求，设计出能够正确折叠并实现该功能的氨基酸序列。这意味着科学家现在可以根据实际需求，从零开始设计全新的蛋白质分子，用于药物开发、工业催化、材料科学等几乎一切领域。
技术核心：扩散模型+物理建模
ProDesign-2的核心技术创新在于它将两种完全不同的人工智能方法融合在一起：基于扩散模型（Diffusion Model）的蛋白质骨架生成器和基于物理模型的序列优化器。
第一阶段的扩散模型在数十万已知蛋白质结构数据上训练，能够从随机噪声出发，逐步生成符合物理化学约束的全新蛋白质骨架结构。不同于以往的方法只能模仿已有结构，PD-2可以生成自然界中完全不存在的、但却具有物理合理性的新型折叠模式。研究人员展示了几种全新的蛋白质拓扑结构，这些结构在此之前从未在自然界中被发现过。
第二阶段的物理模型负责为生成的骨架寻找最优氨基酸序列。它利用基于能量的评分函数和基于Rosetta的能量优化方法，同时结合深度学习网络对氨基酸相互作用的预测，在保证序列多样性的同时确保设计的蛋白质能够稳定折叠。联合实验验证表明，超过65%的计算机设计的蛋白质能够在实验室中成功表达并正确折叠——这一成功率是此前最先进方法的3倍以上。
应用案例：从抗病毒药物到工业酶
论文中报告了多个令人瞩目的应用案例：
- 新型抗病毒蛋白：团队利用PD-2设计了一类全新的微型蛋白质（Mini-binder），可以高亲和力地结合流感病毒H5N1的血凝素蛋白。设计的微型蛋白质仅含40-60个氨基酸，热稳定性极高（融化温度超过95°C），且在动物模型中显示出保护性免疫效果。这种微型蛋白质有望开发为吸入式抗病毒药物，比传统的抗体药物成本低几个数量级。
- 工业催化酶：PD-2成功设计了一种能在室温下高效分解PET塑料的酶。天然PET酶的分解温度通常在65°C以上，且效率有限。而PD-2设计的酶在室温下的活性是天然酶的20倍，且对多种PET衍生物同样有效。这一成果已引起多家环保科技公司的高度关注。
- 生物传感器：利用PD-2设计的荧光传感器的检测灵敏度达到了前所未有的水平，可以在皮摩尔级别检测神经递质分子，为神经科学研究提供了强大的工具。
产学研融合的示范
值得注意的是，这一项目的成功是学术界和产业界紧密合作的典范。David Baker实验室负责蛋白质设计的物理化学基础理论和实验验证，而DeepMind贡献了最先进的AI模型训练技术和大规模计算资源。双方在公开数据、开源代码和知识产权共享方面达成了创新性的合作协议。
MIT Technology Review在报道中指出：”ProDesign-2的意义超越了蛋白质设计本身。它展示了在基础科学领域，AI不再仅仅是辅助工具，而是正在成为科学发现的核心驱动力。我们看到AI正在从’分析数据’向’创造知识’进化。”
中国在蛋白质设计领域同样取得了重要进展。北京大学、上海交通大学和中国科学院多个团队在蛋白质设计算法和应用方面发表了一系列高水平论文。特别是在工业酶设计和抗体药物优化方面，中国团队的工作已达到国际前沿水平。PD-2的发布将进一步推动全球蛋白质设计领域的竞争与合作。
未来展望
研究团队已经在开发下一代ProDesign-3，目标是实现”端到端的蛋白质设计自动化”——用户只需描述功能需求（如”设计一个在pH 5的酸性环境中稳定，且能特异性结合新冠病毒刺突蛋白的微型蛋白”），系统就能自动完成从骨架设计到序列优化的全流程。
此外，团队还在探索将ProDesign框架扩展到RNA和DNA设计领域。如果把蛋白质设计比作”设计分子机器”，那么RNA和DNA设计则是”设计分子程序”——后者在合成生物学和基因治疗领域具有同样巨大的潜力。
Science的总结指出：”蛋白质设计正在经历一场革命，而ProDesign-2是这场革命的最新也是最重要的里程碑。未来十年，我们将看到计算机设计的蛋白质进入药房、工厂和家庭——就像今天计算机设计的芯片进入每一台设备一样。”
原文出处：
- Science 期刊《ProDesign-2: A Generative AI Framework for De Novo Protein Design》
- Nature Methods 技术评论《Protein Design Enters the Generative Age》（https://www.nature.com/nmeth/）
- MIT Technology Review《The AI That Designs New Proteins Is Finally Here》（https://www.technologyreview.com）
