蛋白质设计，究竟是什么？
发布于 2026年7月27日
如果说生命的功能由蛋白质来执行，那么蛋白质设计，就是人类主动编写生命“代码”的能力——当然，这里的“代码”只是比喻，蛋白质并非真的可以被逐行编程，而是通过设计氨基酸序列来定制其三维结构与功能。
从最早在天然蛋白上做单点突变，到今天用AI从头设计自然界从未存在过的全新蛋白，半个世纪以来，蛋白质设计的能力边界被不断推远。它不仅是基础生物学的前沿课题，更是生物制药、工业酶、合成生物学等万亿级产业的底层技术。
一、什么是蛋白质设计？
蛋白质是由20种氨基酸按特定顺序连接而成的长链分子。这条链会折叠成特定的三维结构，而结构决定了功能——抗体能识别抗原、酶能催化反应、胶原蛋白能支撑组织，全都是因为它们的结构。
蛋白质设计分为两个核心层次：一是逆向折叠问题——给定目标三维结构，反推能折叠成该结构的最优氨基酸序列；二是功能导向的从头设计——直接从目标功能（如结合靶点、催化反应）出发，同时生成全新蛋白质骨架与对应的氨基酸序列。
这和蛋白质结构预测正好方向相反：
结构预测：序列→ 结构（给你序列，告诉你它长什么样）
蛋白质设计：功能/结构 → 序列（告诉你要什么功能，给你对应的序列）
结构预测是"读懂"，蛋白质设计是"创造"。难度不是一个量级的——一条300个氨基酸的蛋白，可能的序列组合是20³⁰⁰，比可观测宇宙中的原子总数还要多得多。
二、三代方法演进
Flowchart illustrating the evolution of third-generation protein design technologies
蛋白质设计的发展，大致经历了三代方法。每一代都不是完全替代前一代，而是在前者的基础上叠加新的能力。
第一代：理性设计——专家的“手工活”
时间：1980年代—2000年代初
基于已知的蛋白质结构和功能知识，有针对性地突变少数几个氨基酸位点。优势是精准、可控，但严重依赖专家经验，能改的位点有限，只能优化已有蛋白，很难从头设计全新蛋白。
第二代：定向进化——模拟自然选择
时间：1990年代至今，2018年获诺贝尔化学奖
随机突变建库→ 高通量筛选 → 选出更优突变体 → 多轮迭代。思路很朴素：既然我们不知道怎么设计更好的蛋白，那就让“自然选择”来帮我们找。
定向进化非常强大，只要有灵敏的筛选方法，就能在不深入了解机制的情况下优化出性能更好的蛋白。但天花板也很明显：筛选成本高、搜索效率低、多指标优化难。
实际项目中，两者常结合使用——“理性设计选位点 + 定向进化扫库”，也就是“半理性设计”。
第三代：AI驱动的设计——从“预测”到“生成”
时间：2010年代中后期加速，2020年后进入爆发期
AI进入蛋白质设计领域，大致经历了两个阶段：
第一阶段是“AI辅助”——用机器学习模型预测突变对蛋白功能的影响，给定向进化“导航”，把筛选量从几千个压缩到几十个。
第二阶段是“AI生成”——模型直接从头设计全新的蛋白序列，不再依赖天然蛋白作为起点。指定一个靶点，模型直接生成能结合的蛋白；指定一个活性位点，模型直接生成催化这个反应的酶骨架。
这是质的飞跃——以前只能在天然蛋白的基础上“改一改”，现在可以直接“创造”自然界从未存在过的蛋白。
几个关键里程碑：
2021年，AlphaFold2在结构预测上的突破，为设计提供了可靠的结构验证工具
2022—2023年，David Baker团队相继推出ProteinMPNN（序列设计）与RFdiffusion（骨架扩散生成），二者组成了AI从头设计的标准两步法流程
2024年，诺贝尔化学奖授予计算蛋白质设计与结构预测
2025年以来，AI抗体从头设计、AI酶设计不断取得突破
2026年4月，AI驱动的蛋白质研发平台公司天鹜科技正式发布其对话式蛋白质研发智能体MatwingsVenus™（晓鹜™）。该平台通过将人工智能设计、自动化湿实验与专家智慧深度融合，将过去仅限于大型机构的复杂研发能力，转变为个人开发者也能轻松调用的“共享实验室”，实现从想法到产品的快速转化。
2026年7月，诺奖得主Jennifer Doudna团队在《Science》发表AI设计合成RNA引导核酸酶的研究，部分变体活性达到甚至超过天然酶
三、四大核心方向
Distribution Chart of Application Scenarios for the Four Major Proteins
蛋白质设计不是单一技术，而是一个庞大的技术体系，应用方向非常多元。按应用场景可分为四类：
1. 治疗性蛋白设计——药物分子的“精准制造”
这是目前最受关注的方向，涵盖抗体、细胞因子、融合蛋白、疫苗抗原等。给定一个疾病靶点，从头设计能特异性结合的蛋白分子。传统抗体发现需数月甚至数年，AI设计可将周期压缩至数周。
2. 工业酶设计——生物制造的“催化剂引擎”
工业酶的AI优化是产业化最快的方向。验证周期短、监管要求低、性能提升的商业价值直接——耐温、耐碱、催化效率的提升，能直接转化为生产成本的下降。
3. 诊断与检测用蛋白设计——高特异性“探针”
体外诊断、生物传感器、分子检测等领域需要高特异性、高稳定性的蛋白探针。AI设计可以精准控制蛋白的靶标亲和力、热稳定性和储存稳定性，快速响应新靶点的检测需求。
4. 新型功能材料蛋白设计——探索“蛋白宇宙”
最前沿、也最有想象力的方向：完全不依赖天然蛋白骨架，从头设计出全新折叠方式、全新功能的蛋白质——比如蛋白纳米颗粒、蛋白开关、生物材料等。4月24日，AI驱动的蛋白质研发平台公司天鹜科技正式发布其对话式蛋白质研发智能体MatwingsVenus™（晓鹜™）。该平台通过将人工智能设计、自动化湿实验与专家智慧深度融合，将过去仅限于大型机构的复杂研发能力，转变为个人开发者也能轻松调用的“共享实验室”，实现从想法到产品的快速转化。
四、干湿闭环：AI蛋白设计的"最后一公里"
AI蛋白质设计的价值，最终要靠实验验证来兑现。只在计算机上设计得再漂亮，湿实验验证不出来，就没有产业价值。
这就是为什么行业现在越来越强调"干湿闭环"——干实验（计算设计）与湿实验（实验验证）紧密耦合，AI设计、实验验证、数据回流、模型迭代，形成完整循环。
为什么闭环这么重要？
第一，AI设计的成功率还没到100%，需要实验反馈来验证和优化。而且数据越多模型越准——这是正循环。
第二，产业端需要的是“有功能的蛋白”，不是“序列”。从序列到功能，中间还有表达、纯化、检测等很多环节。
第三，谁拥有高质量的湿实验反馈数据，谁的模型就会越来越准。
国内已有平台在探索这一方向。以上海天鹜科技的MatwingsVenus™（晓鹜™）平台为例，其构建了AI设计与自动化实验验证的闭环体系：用户提出功能需求后，平台完成蛋白序列设计，候选序列直接对接自动化湿实验平台进行表达、纯化和检测，实验结果自动回流驱动下一轮AI迭代。传统蛋白质研发2—5年的项目，在AI+闭环模式下可压缩到2—6个月。
这不是"AI替代科学家"，而是AI把科学家从大量重复性试错中解放出来，让他们聚焦于更有创造性的科学问题。
五、产业应用与市场前景
蛋白质设计的产业化落地，正在从"概念验证"走向"规模化应用"。
创新药领域：AI设计的抗体、细胞因子、融合蛋白等治疗性蛋白正在快速推进。已有AI设计的蛋白药物进入临床后期。2026年，纳米抗体从头设计技术的突破，标志着AI大分子药物设计从“理论预测”跨越到了“工业实用”的门槛。
工业酶领域：这可能是AI蛋白质设计最先实现大规模商业化的赛道。验证周期短、监管要求低、性能提升的商业价值直接。2026年7月Doudna团队的AI酶设计成果，进一步证明了AI可以创造超越自然进化的功能酶。
合成生物学领域：AI设计的酶在代谢通路中的应用，正在让很多原来走不通的生物合成路径变得可行。从大宗化学品到高附加值天然产物，AI酶设计正在拓展生物制造的边界。
从市场数据来看，据市场研究报告，AI蛋白质设计市场2025年估值为6.103亿美元，预计2026年增长至7.1897亿美元，到2032年将达到20.133亿美元，CAGR为18.59%。蛋白质工程整体市场2025年约45.5亿美元，预计2026年达49.8亿美元，2032年有望达到95.1亿美元。
这还只是开始。当AI设计的蛋白大规模进入商业化生产之后，市场空间会比现在大得多——因为它不只是替代了传统研发方法，更重要的是，它能做出很多传统方法根本做不出来的东西，从而创造全新的市场。
六、行业展望
当前，全球蛋白质设计行业正处于技术爆发与产业化落地的双重红利期。随着AI大模型算力升级、数据库持续迭代、自动化实验体系完善，蛋白质设计将从“单点技术突破”走向“全产业规模化应用”。
未来，蛋白质设计的核心发展趋势将聚焦两大方向：一是极致智能化，依托AI智能体实现全流程无人化研发，进一步降低技术使用门槛，让定制化蛋白研发普及化；二是场景极致深耕，针对细分产业痛点，开发更多高特异性、高稳定性、高活性的定制化蛋白，覆盖更多前沿领域。
以MatwingsVenus™（晓鹜™）为代表的国产AI蛋白质设计平台，凭借全链路、闭环化、易落地的核心优势，打破了海外技术垄断，为国内科研机构、生物医药企业、生物制造企业提供了低成本、高效率、可落地的蛋白研发解决方案，助力我国合成生物学与生物产业实现源头创新、弯道超车。
从被动适应自然，到主动设计生命分子，蛋白质设计技术正在重新定义生物制造的边界。在AI与合成生物学的双向赋能下，这场微观领域的技术革命，终将成为驱动全球生物经济高质量发展的核心动力。