AI设计蛋白的门槛，被中国学者推平：只需一句话，直接生成功能蛋白

撰文丨王聪

编辑丨王多鱼

排版丨水成文

近年来，AI 从头设计蛋白质领域取得了一系列重大突破，蛋白质设计先驱David Baker 也因此获得了 2024 年诺贝尔化学奖。

在国内，西湖大学则是从头设计蛋白质领域的高地，近两年，西湖大学卢培龙团队实现了跨膜荧光激活蛋白、电压门控阴离子通道以及膜转运蛋白的从头设计；西湖大学曹龙兴团队实现了小分子调控的蛋白寡聚体、靶向切割 Aβ 的金属蛋白酶的从头设计...

但当前的蛋白质设计模型仍存在一些局限性：它们通常需要以天然蛋白质作为优化的起点，或手动将功能目标重新表述为几何和序列层面的约束条件，以指导候选蛋白的生成。

2026 年 10 月 11 日，西湖大学原发杰团队、香港科技大学（广州）卢泓远团队、西湖大学刘建明团队、中国科学院深圳先进技术研究院司同团队合作（戴枫源、游世洋为论文共同第一作者），在国际顶尖学术期刊Nature上发表了题为：Programmable design of functional proteins from natural language 的研究论文。

该研究开发了一个 160 亿参数的生成式蛋白质基础模型——Pinal，它能够根据对期望功能的自然语言描述来设计候选蛋白质。也就是说，Pinal 把 AI 设计蛋白变得几乎像“文生图”一样简单——只需一句话描述，例如“设计一个可能降解 PET 塑料的酶”，就能得到一批候选蛋白质。

在计算评估中，Pinal 生成的候选蛋白质兼具高预测折叠能力、与功能描述的一致性以及序列多样性，为筛选出适合实验验证的设计方案提供了依据。研究团队将 Pinal 应用于四种不同的蛋白质设计任务——绿色荧光蛋白、PET 塑料降解酶、醇脱氢酶和H 蛋白，并在实验中观察到了每种设计任务下预期的功能表现。这些发现支持将自然语言作为蛋白质设计中候选结构生成的高级接口，从而实现可编程探索，并减少对人工指定的结构或序列约束的依赖。

编程生物学功能，即针对医学、可持续发展及工业应用创造定制化蛋白质，一直是分子工程领域的长期目标。几十年来，这一探索由两种互补的哲学所塑造：一是通过定向进化（directed evolution）模拟自然选择；二是运用Rosetta等计算工具，基于物理学和化学的第一性原理进行蛋白质从头设计（de novo design）。

近年来，人工智能（AI）的进步，尤其是生成式 AI 模型的发展，催生了一种新兴的设计范式——AI 模型从蛋白质序列、结构和功能注释中学习，能够在多样化的设计目标下生成蛋白质。

然而，尽管取得了这些进展，一个核心瓶颈依然存在：人类科学家与蛋白质设计算法之间的交互，往往仍需通过形式化的技术规范来中介，例如结构约束、位点级突变指令和家族特异性参数。因此，将高层次的功能目标（例如设计降解塑料的酶或荧光成像报告蛋白）转化为精确、机器可读的设计问题，通常需要大量的计算投入和专门的设计专业知识。这一技术壁垒限制了蛋白质设计的广泛可用性，也压缩了可探索的功能空间。

在这项最新研究中，研究团队开发了一种生成式蛋白质基础模型——Pinal，为蛋白质设计提供了自然语言交互界面。Pinal 将高层次的功能描述直接转化为候选蛋白质序列，从而减少了对人工指定结构模板或几何约束的依赖。

该模型采用 160 亿参数的架构，基于一个包含 17 亿条蛋白质-文本对（protein–text pairs）的合成语料库进行训练，展现出强劲的扩展趋势，其性能随模型规模和数据量的增加而同步提升。在多项计算基准测试中，Pinal 生成的候选蛋白质序列在预测折叠指标上与参考天然蛋白相当，同时与相关文本或提示条件驱动的蛋白质生成基线方法相比，与预期功能描述的对齐程度显著提高。进一步分析揭示了不同酶家族背景下序列层面的多样性，并鉴定出具有预测结构新颖性的候选蛋白，表明了自然语言指导有助于广泛探索蛋白质设计空间。

Pinal是一种生成式基础模型，采用两阶段设计流程和大规模训练数据来学习文本与蛋白质之间的关联

接下来，研究团队对 Pinal 在四种蛋白质设计任务中进行了评估——绿色荧光蛋白（GFP）、PET 塑料降解酶（PETase）、醇脱氢酶（ADH）以及H 蛋白（H-protein）。实验验证表明，所有四项设计任务均获得了具有功能性的设计结果——在 GFP 设计任务中，Pinal 设计的候选蛋白经过筛选后发出绿色荧光；在 PETase 设计任务中，Pinal 设计的候选酶表现出 PET 降解相关活性；在 ADH 设计任务中，Pinal 设计的候选酶表现出可检测的催化活性，尤其是在 H 蛋白的设计任务中，在没有经过任何迭代实验优化的情况下，Pinal 设计的 H 蛋白在多酶 CO₂ 固定通路中，使产物滴度相较对应的大肠杆菌天然H 蛋白提高了 1.7 倍。

Pinal 将多样的功能提示转化为高质量的蛋白质候选物

Pinal 设计的四种不同功能类别的蛋白质的实验验证

这些结果共同证明，Pinal 是一种实用的蛋白质设计方法，显著降低了从功能目标到分子实现之间的门槛，适用于多种应用场景。

论文链接：

https://www.nature.com/articles/s41586-026-11205-z