返回列表

生成式蛋白质设计平台:从序列到功能蛋白的新范式

发布于 2026年11月3日

生成式蛋白质设计平台:从序列到功能蛋白的新范式

图1示例功能蛋白的三维结构


生成式蛋白质设计平台是什么?它如何重塑蛋白开发?

功能蛋白(酶、抗体、结合蛋白等)的发现与改造,长期依赖定向进化:对亲本做随机或半理性突变,分批表达筛选。这种方法有效,但每一步都依赖大量湿实验,成本高、周期长。生成式蛋白质设计平台要解决的,正是“减少试错、提高命中率”这一问题。它不再只靠运气探索序列空间,而是让模型学习“什么样的序列/结构更可能具备目标活性”,再据此生成候选、反馈验证、持续迭代。


生成模型的原理:在序列与结构空间里“看懂”蛋白

蛋白质的功能由折叠后的三维结构决定,而结构又由氨基酸序列决定。生成式平台通常由两类模型协同:

1. 序列/结构生成模型:如扩散模型、Transformer自回归模型,学习现有蛋白的序列—结构规律,能够“生成”新的、天然库中少见的序列或骨架,而不仅是拼接已知片段。这类似在结构上“搭积木”,但积木的选择受到能量与功能约束。

2. 适应度(fitness)预测模型:对生成的大量候选做快速打分,预估其活性、稳定性、可溶性等性质,把高价值候选排在前面,供湿实验优先验证。

两者结合,就形成了图中的“适应度景观(fitness landscape)+ active learning搜索路径”:模型沿着景观逐步向峰(最优)移动,预测→选样→测试→再训练,每轮都利用上一轮的数据更精准地定位下一批候选,从而在更少的实验次数内逼近目标。 


Fitness landscape and the active learning search path.

图2适应度景观与active learning搜索路径

这种“生成+预测”的组合,把蛋白设计师从“盲试”中解放出来,转而在预算内探索更大的序列空间。需要注意的是,这里的“生成”是模型学到的统计规律,不等于实验事实——生成结果仍需湿实验确认。


测定与选型:如何判断一个“生成蛋白”是否可用?

生成式模型能给出成百上千的候选,但判断“哪个好”,必须回到测定与选型环节。选型逻辑通常分三级:

- 第一级:可计算性质筛选。 用fitness模型对大量候选快速排序,过滤明显不可行的序列(如可溶性差、容易聚集、折叠不稳定)。

- 第二级:结构合理性校验。 检查生成的骨架是否满足基本物理化学约束(主链几何、疏水核心、二硫键、关键催化/结合残基等),排除结构上“讲不通”的候选。

- 第三级:可表达/可测活性。 只有能稳定表达、折叠、并具备目标活性的候选,才进入下一轮迭代。

这种分级在实际执行中要区分【实测】与【预测】/【未知】:可计算排序是预测,最终活性必须通过实验测定。任何平台的“命中率”“成功率”都是依托具体靶点与测定方法的结果,不应脱离实验语境单独标注。


条件与工艺:完整的“干湿闭环”怎么跑通?

生成式蛋白设计真正落地,靠的是把AI与实验台连成闭环,而不仅是生成一批序列。典型流程如下:

1. 干实验(AI / in silico):确定目标与约束→生成式设计(序列/结构)→打分与排序→选定候选。

2. 湿实验(实验室):基因合成与克隆→表达与纯化→活性/结合测定→数据收集。

3. 闭环反馈:湿实验数据作为标签喂回模型,再训练生成器与预测器,开启下一轮。

 

Dry–wet closed loop design workflow.

图3 “干湿闭环”设计工作流

闭环的关键在“数据回流”:没有湿实验标签,生成模型会退化成“自说自话”。因此,一个可用的平台必须具备通畅的数据采集、标注与再训练机制,并把实验通量、成本与模型迭代速度匹配起来。


MatwingsVenus®(晓鹜®)的赋能:让生成式设计可交付

在天鹜科技MatwingsVenus®(晓鹜®)体系中,生成式蛋白质设计平台是“干湿闭环”里承接“设计”与“交付”的核心一环。它将生成式模型、可计算性质预测与实验验证衔接,帮助用户在有限的湿实验预算内提高候选命中率、缩短开发周期:

- 面向应用:把“目标功能”翻译成可生成的设计任务,覆盖酶、抗体、结合蛋白、功能肽等多种目标。

- 能力边界透明:把【预测】的性质与【实测】的结果分开呈现,避免把模型输出当作实验事实。

- 可配置的流程:结合湿实验服务与专家中心(expert-center),可按靶点与测定体系定制筛选与验证路径。

相关能力与服务入口:

- 湿实验平台(https://www.matvenus.com/zh/products/wet-lab) —高通量表达、纯化与活性测定

- 专家中心(https://www.matvenus.com/zh/products/expert-center) —靶点解析、测定设计与结果研判

- 干湿闭环平台(https://www.matvenus.com/zh/dry-wet-closed-loop-platform) —生成式AI与实验验证的一体化闭环

*(内链域名请在实际上线前核对,此处为示例占位,避免使用未核实链接参数。)*


常见问题

生成式蛋白质设计平台是不是就能完全替代湿实验?

不能。生成式模型负责“高效产候选、粗排序”,最终活性必须经湿实验确认。它的价值是减少无效实验、提高命中率,而不是跳过验证。

它和传统的定向进化有什么区别?

传统定向进化主要靠随机/半理性突变加批量筛选,实验量大;生成式平台在此基础上引入序列/结构生成与fitness预测,把探索迁移到模型内,用更少的湿实验逼近目标,二者常结合使用。

生成出来的蛋白可信吗?

生成结果是模型学到的统计规律,应视为【预测】。需要通过结构合理性校验、可表达性与活性测定逐级确认,最终以实测为准。

它对哪些蛋白目标比较适用?

理论上适用于序列—结构—功能规律清晰的蛋白,例如酶、抗体、结合蛋白等。对缺少结构、缺少功能数据、或序列空间高度受限的目标,预测可靠性会下降,需要更多湿实验数据支撑。

平台需要多少数据才能跑起来?

取决于任务复杂度与目标性质。数据越完整(结构、活性、表达、稳定性标签),fitness模型越准。数据不足时,平台应主动标注【未知】并建议补充实验,而不是给出虚假的“确定答案”。

如何比较不同平台的“成功率”?

成功率高度依赖具体靶点、测定方法与判定标准,不同平台间不具备直接可比性。比较时应关注方法、数据与验证路径是否透明,而不是只看单一数字。

是否适合小团队或预算有限的场景?

可以。借助湿实验与专家中心服务,小团队也能按需使用生成式设计+委外测定的组合,先把高价值候选筛出来,再聚焦验证。


总结

生成式蛋白质设计平台把“AI生成+适应度预测+干湿闭环”整合为可重复的蛋白开发范式:在序列/结构空间内用生成式模型高效探索、用预测模型排序、用湿实验数据反哺再训练。它没有也不应该替代湿实验,而是让湿实验花在更可能成功的候选上。天鹜科技MatwingsVenus®(晓鹜®)以“能力边界透明、预测与实测分离”为原则,为酶、抗体与功能蛋白的开发提供可交付的生成式设计路径。

 


扫码加入交流群

扫码加入交流群