蛋白质从头设计，从“用爱发电”到“即插即用”

如果你也受够了复杂的工具链和高门槛，这篇可能会让你会心一笑

先讲个真事儿。

上个月有个做生物医药的朋友跟我吐槽，说他们实验室想做一个比较新的免疫靶点的微型结合蛋白，领导的意思是“你们不是有AI吗，快速从头设计一批出来”。

结果呢？搞了快两个月，还在调RFdiffusion的参数。

不是他们不努力——结构生物学背景的博士当然不笨。问题在于：你要跑通RFdiffusion+ProteinMPNN+AlphaFold3这一整套工具链，中间还得自己处理各种格式转换、环境冲突、参数调优……他说他现在每天的状态就是：写代码的时间比想蛋白骨架的时间还多。

听完我其实挺感慨的。

蛋白质从头设计这个领域，技术层面确实已经天翻地覆了——2024年诺贝尔化学奖直接颁给了AI蛋白质设计和结构预测的pioneers，David Baker团队在《Nature》《Science》上每个月都在刷新认知。但落到大部分普通研发人员头上，工具链的碎片化和高技术门槛，依然是那堵绕不过去的墙。

Methods for de novo protein design

换个不那么痛的表述就是：

好东西都在那儿了，但用起来真的很累。

一、行业共识：AI正在让“无中生有”变成日常

当然，大方向是令人兴奋的。

过去说“从头设计”，多少带点理想主义色彩——想在自然界没有任何模板的情况下，凭空造出一个功能蛋白？听起来像是炫技。但现在不一样了：从GPCR微型激动剂/拮抗剂，到可编程蛋白笼用于药物递送，这些AI设计的蛋白质已经能用冷冻电镜验证，跟设计模型高度一致。

用David Baker团队自己的判断：未来5-10年，蛋白质设计在医学、技术和可持续发展等领域的潜力，可能远超天然蛋白。

行业共识已经形成：蛋白质设计正从“造分子”走向“造机器”，AI让过去需要大量专家经验和运气的事，变得可预测、可迭代、可规模化。

但共识归共识，大部分人的真实体感是——

二、现实困局：工具很多，但科研人员不是AI工程师

protein design

还是回到最经典的那套工作流：RFdiffusion（造骨架）→ ProteinMPNN（填序列）→ AlphaFold3（验结构）。

功能确实强大，但谁能告诉我，为什么到了2026年，我们还在手动改输入文件的格式？还在为环境配置吵架？还在因为一个模型版本更新导致整个流程跑不通？

工具链割裂、准入门槛高、缺乏验证闭环——这三个问题，只要是亲自下场做过从头设计的人，估计都能吐槽一整天。

有行业观察者一针见血地指出了问题的根源：目前不少号称“一键式”的平台，其实只能处理固定形式的输入，稍微复杂一点的骨架协同设计，计算成本就高得离谱，而且很难满足用户的深层需求。

说白了，AI蛋白质设计的技术门槛，正在成为行业生产力释放的最大瓶颈。

但好消息是，终于有人开始认真解决这个问题了。

三、新解法：跟“晓鹜”聊着天就把蛋白设计做完了

2026年4月，天鹜科技在上海“大零号湾”发布了对话式蛋白质研发智能体——MatwingsVenus™（晓鹜™）。

它最大的变化是什么？从“给你一堆工具你自己拼”变成“你说话，它干活”。

MatwingsVenus™（晓鹜™）是一个以智能体（Agent）为核心的一站式平台，背后整合了200多款蛋白质设计工具、百亿级真实标签蛋白质数据、50多位平台认证专家、30多个专家调优的Skills。你需要做什么？用自然语言告诉它你的目标就行。

比如你可以直接说：“帮我设计一个针对XXX靶点的微型结合蛋白，亲和力要求是纳摩尔级别，稳定性要高于天然配体。”

MatwingsVenus

然后MatwingsVenus™（晓鹜™）会自动拆解任务：调哪个骨架扩散模型、用什么序列设计策略、是否需要跑分子动力学模拟、怎么对接后续湿实验……你不需要关心中间那些烦人的格式转换和环境配置。

但MatwingsVenus™（晓鹜™）最有意思的地方，其实还不是“一站式”，而是干湿闭环。

设计完成后，平台可以自动把结果导入实验流程，驱动机器人完成样品制备、蛋白纯化、功能检测，然后把实验结果回流给AI模型，形成“设计→验证→迭代”的自动循环。

天鹜科技的创始人、上海交大洪亮教授打了个比方：MatwingsVenus™（晓鹜™）把过去只有大企业和大院所才能掌握的研发能力，变成了个人也可调用的基础设施。

听起来有点夸张？我们来看一个真实的案例。

四、真案例：从头设计一个免疫调控受体

这是一个创新药项目，靶点是某个免疫调控受体——通俗点说，这个靶点跟肿瘤、自身免疫病、炎症都有关，临床价值很高。

难点也很明显：

靶点新，没有同类药物的设计可参考；

靶点表面极性区域多，缺少传统意义上的“成药口袋”，设计难度大；

天然配体本身就有纳摩尔级高亲和力，想做出一个能有效阻断功能的微型蛋白，门槛极高。

传统路径下，这种项目大概率要烧很多钱、磨很多时间。但在MatwingsVenus™（晓鹜™）平台上，过程就顺了很多：

Agent根据靶点结构和功能需求，自动完成骨架筛选、界面设计、序列优化、成药性预判……计算端快速输出一批高质量binder序列后，自动化湿实验平台马上接过去，做样品制备和细胞活性验证。

最终结果：一次性拿到了数十个具备体外细胞阻断活性的全新binder分子，而且这些分子不仅在活性上达标，还兼具了功能抑制和高亲和力潜力。

从头设计的全流程验证，从计算到湿实验，跑通了。

这件事的启示其实是：当Agent能把骨架设计、序列预测、活性评估全部自动串起来，而且设计与验证之间的迭代周期压缩到几乎无缝时，一个从未在自然界中出现过的蛋白质从概念到实验验证，所需要的时间会远远低于行业传统认知。

五、让蛋白质设计更“民主”一点

往大了说，MatwingsVenus™（晓鹜™）这类对话式智能体，本质上是在推动蛋白质研发能力的民主化。

以前，一个从头设计项目需要结构生物学、计算化学、AI算法、蛋白表达纯化、功能验证等多个团队协作启动，光组织成本就让很多小型团队望而却步。

现在，通过一个对话式界面，个人用户或小型团队也能完成“模型推演→实验验证→迭代优化”的闭环。

天鹜科技把这种模式总结为：设计即验证、验证即迭代。

从“大平台驱动”走向“个人可用”，这可能是蛋白质设计领域接下来几年最值得期待的变化之一。

写在最后

回到开头那个朋友的故事。

前几天他又来找我，说他们实验室最近在试MatwingsVenus™（晓鹜™），终于不用再自己折腾那些工具链了，可以把精力放回蛋白设计本身。

他原话是：“感觉像从手动挡换到了自动挡，虽然还不够完美，但至少不用边开车边拆变速箱了。”

这个比喻我记了很久。

技术的价值，从来不只是发多少顶刊、刷多少SOTA，而是它能不能真正被用起来，让更多人去做更有创造力的事情。

MatwingsVenus™（晓鹜™）目前还在快速迭代中，如果你也在被工具链折磨、或者对AI蛋白质设计感兴趣，欢迎去天鹜科技官网看看案例，也可以直接上手体验一下。

评论区见，聊聊你被哪些工具坑过～