AI 不再只是预测蛋白质，它开始用大白话「写」出能用的蛋白了
2026-10-21 Nature：Pinal（16B）读自然语言描述直接产出功能蛋白，并在实验中验证——把"结合并固定二氧化碳"这类要求写进去，产出的蛋白提升了 CO2 固定产物的得率。这是 AlphaFold 预测、RFdiffusion 设计之后的下一跳。
过去十年，AI 在蛋白质上完成了两级跳：先是 AlphaFold 学会"猜结构"，再是 RFdiffusion 学会"造形状"。2026 年 10 月，一级更接近实用的跳出现了——一个叫 Pinal、规模 16B 的模型，能直接读你写的一句话，吐出一件"能用"的功能蛋白。
这里的"功能"不是空话。研究者给 Pinal 的描述是"结合并固定二氧化碳"，模型生成候选后再拿去实验，结果它产出的蛋白确实提升了 CO2 固定产物的得率。换句话说，AI 不是画了个好看的折叠图，而是造出了在试管里干活的东西。
图1：AI 造蛋白，目标从结构走向功能
难在哪
预测结构是"给定序列猜形状"，设计形状是"给定形状反推序列"，而"按功能造蛋白"最难——功能藏在序列、结构、动态和环境的交互里。Pinal 的做法是把它当成一个"条件生成"问题：把自然语言描述编码成约束，再在巨大的蛋白空间里采样出满足约束的序列，最后丢进实验筛。
图2：从语言约束到实验通过的闭环
和造抗生素有什么不同
同样是"AI 造分子"，蛋白设计面对的是二十种氨基酸的排列组合，搜索空间比小分子大得多；好处是蛋白的功能可设计性强，一旦跑通，"按需求定制催化剂、结合剂、传感器"就不只是口号。它和今天另一篇"AI 从头设计抗菌脂肽"是同一股潮流的两个侧面：AI 正从"筛已知"走向"造未知"。
关联推荐
- AI 从头设计酶：AlphaProtein Novo 把「生成」接上了「实验」 — 另一条"AI 造蛋白"的进路
- AI 翻遍 2.14 亿个蛋白质形状，捞出人体中一个"隐形"蛋白 — 看 AI 如何在海量蛋白空间里找针
评论 (0)
正文划词可点「问萝卜特」——自动发评论并由 AI 回复
加载评论中…