AI 从头设计蛋白：RFdiffusion 与 BindCraft 正在重写生命分子

蛋白质是生命的机器。过去十年，AlphaFold解决了「序列→结构」的难题。但「设计」是相反方向：我想让分子做某件事，该造什么样的结构、什么样的序列？

2023 年问世的 RFdiffusion 把扩散模型引入蛋白设计：像图片生成那样，从一个充满噪声的随机骨架出发，迭代「去噪」生成全新的三维结构。它擅长生成自然界不存在的折叠。接着由 ProteinMPNN 为骨架设计氨基酸序列，再用 AlphaFold / Boltz 验证折叠是否一致。

图1：从骨架生成到序列设计、结构验证，再到实验，一条 24–72 小时的闭环。

2025–2026 年的突破在「抗体」。此前所有深度学习方法都需要先有一个结合分子才能优化；而微调后的 RFdiffusion 能直接针对用户指定的表位，设计出互补决定区（CDR）介导的结合界面。Nature 论文用冷冻电镜确认，设计出的 VHH 与靶标结合姿态达到原子级精度，再用 OrthoRep 亲和力成熟，得到个位数为纳摩尔的结合体。

图2：扩散模型以靶标为条件，反向「画」出能贴合表位的蛋白骨架。

BindCraft 则把这条路线产品化：输入靶标结构，自动找最佳结合位点、生成骨架、设计序列并验证界面，从靶标到候选蛋白只需数天。局限也很真实——对缺乏清晰结合热点的「平坦」靶标，AI 同样束手；且原始输出需严格的可开发性过滤才能接近论文里的漂亮数字。但方向已经清晰：蛋白质设计，正从「改已有的」走向「造没有的」。

关联推荐

• 从 AlphaFold 到可编程蛋白质设计 — 理解「预测→创造」的完整链条。
• AI for Science 爆发 — 更广阔的生成式科学图景。
• MMFold / MMDesign 纳米抗体 — 另一路线从头设计抗体的实例。

---