返回列表

蛋白质设计智能体:AI驱动的对话式蛋白质研发

发布于 2026年11月10日

蛋白质设计智能体:AI驱动的对话式蛋白质研发

图1.蛋白质设计智能体干湿闭环全链路示意

 


一、传统蛋白质研发的瓶颈:经验驱动与海量试错

蛋白质是生物医药、生物制造、食品与材料产业的基础元件:抗体、工业酶、胶原蛋白、诊断试剂用酶都绕不开它。正因如此,如何更快拿到「可用、好用、可规模化」的蛋白,决定了大量下游产品的上市节奏。但长期以来,蛋白研发方式变化不大,仍以专家经验搭配高通量筛选为主,多轮试错、迭代缓慢。

(一)研发周期长、筛选效率低

传统模式的设计依赖专家判断,实验靠人工海量试错,反馈慢、迭代难。每一轮改造都要重新经历表达、纯化与检测,候选分子越多,试错成本越高,真正能规模化应用的结果却相对有限。

(二)专业知识门槛高

蛋白质工程设计横跨序列—结构—功能、酶催化机理、表达纯化等多个学科。企业研发人员往往要同时操作多个专业软件与数据库,流程分散、衔接靠人工,学习成本与沟通成本居高不下。

(三)"序列—结构—功能"路径的断点

传统路径通常先看氨基酸序列,再预测三维结构,再从结构推导功能。这条层层递进的路线充满断点,每一步都要反复实验验证。当功能数据不足时,仅靠结构理解难以直接面向产品需求做出精准设计。


二、什么是蛋白质设计智能体?(概念与能力边界)

(一)智能体的定义

智能体(AI Agent)是能感知任务、自主拆解并调度工具完成目标的人工智能系统。与固定脚本不同,它不按预设顺序机械执行,而是围绕目标动态组织工作路径。蛋白质设计智能体把自然语言当作「研发指令」,用户提出功能需求后,系统自动规划路径,调用序列设计、结构预测、数据库检索、酶挖掘、筛选等专业能力。

(二)能力边界:能做什么

•  序列分析与定向突变设计:对既有蛋白做定点改造,提升活性、稳定性或耐受性。

•  酶挖掘(酶发现):从海量序列中筛选具备目标功能或特性的酶,把「找酶」从依赖经验变成可检索任务。

•  结构预测与分子对接:为候选分子提供结构与结合评估,缩小实验范围,减少无效实验。

•  数据库检索与深度研究:聚合多源信息,让结论可追溯,为方案提供依据。

•  实验衔接与迭代:把设计方案衔接自动化实验,用反馈回传做多轮优化,形成闭环。

这些能力不是彼此孤立的工具,而是围绕任务目标被智能体串联成一条工作路径。实际使用时,用户不必逐项点开软件,而是描述目标,由系统判断该用哪几项能力、按什么顺序推进。

(三)能力边界:不能做什么

蛋白质设计智能体是「辅助决策+加速迭代」的工具,其输出并不等同于实验结论。它提供的是候选序列与实验方案,最终结论仍需湿实验验证。模型预测不等同于实测活性,也不能替代专业研发判断,更不应被当作对疗效或效果的承诺。

(四)与通用大语言模型的区别

通用大语言模型主要基于文献与公开知识作答,难以建立「序列—功能」的定量映射。蛋白质设计智能体则建立在专业蛋白质大模型与多源序列数据之上,能输出可进入实验的候选分子,并以实验反馈持续迭代。二者的一个直观区别是:前者给出「解释」,后者给出「下一步能做什么」。


三、MatwingsVenus®(晓鹜®)的定位与核心能力

(一)定位:自研大模型+对话式研发平台

MatwingsVenus®(晓鹜®)由天鹜科技研发,官方定位为「自研蛋白质设计通用大模型」与「以智能体为中心的对话式蛋白质研发平台」。披露的核心能力包括AI定向进化、AI酶发现(AI挖酶)与De novo从头设计,平台把计算设计与湿实验验证整合为闭环。对用户而言,这意味着不用在多个软件间来回切换,而是用对话直接推进研发。 


Protein model and agent core mechanism.

图2.蛋白质大模型与智能体核心机制示意

(二)AI定向进化

定向进化通过模拟自然演化的「突变—筛选」循环,定向提升活性、稳定性、耐受性等指标。官网披露其大模型支持端到端映射与多目标协同,可同时优化多项指标,并支持小样本实验数据反馈下的快速微调与迭代。相比单点单指标的改造,多目标协同更贴近真实工程需求。

(三)AI酶发现(AI挖酶)

酶挖掘旨在从海量序列里筛选具备目标催化功能或特性的酶。官网披露其数据集覆盖深海、火山等极端环境来源的耐高温、耐强压、耐强酸/碱序列,为工业用酶与极端环境酶挖掘提供数据基础。这类数据越丰富,越有可能找到传统筛选难以触及的新酶或新特性。

(四)De novo从头设计

从头设计是从功能需求出发全新构建蛋白质序列,而非改造既有天然蛋白。它直接建立「功能—序列」的映射,突破传统「序列—结构—功能」逐级预测的路径,是面向新功能分子的关键能力。对需要全新功能或结构骨架的项目,从头设计是与定向进化互补的另一条路线。


四、干湿闭环:从AI设计到实验验证的迭代范式

「干湿闭环」指把计算侧(干)与实验侧(湿)连成一个可迭代的整体,核心是让AI设计与真实实验相互反馈。

(一)设计:从功能需求到序列

用户以自然语言提出功能需求,智能体自动拆解任务,调度设计、预测与筛选工具,生成候选序列与实验方案。这一段对应官网披露的「AI自动设计」环节,也是整个闭环的计算起点。

(二)验证:自动化实验衔接

设计完成后,平台可衔接自动化实验设备,完成样品制备、蛋白纯化与功能检测。官网口径描述了「AI自动设计+少量实验验证」的范式,把云端设计延伸到真实实验。实验通量与数据一致性提升后,验证环节的稳定性和可复现性也随之增强。

(三)迭代:实验结果回流

实验结果回流至下一轮AI设计,形成「设计—验证—迭代」闭环。每轮迭代收窄搜索空间、优化候选集合,把计算驱动湿实验、湿实验反哺计算结合起来。逐步逼近目标的过程,让研发从「猜」变成「有方向的逼近」。这一范式真正改写的不是单次预测的准确率,而是把「设计—验证—迭代」的整条链路变成可持续推进的流程。


五、适用场景与客观局限

(一)适用场景

官方披露的应用领域集中于生物医药(创新药)与生物制造(合成生物学、酶工程),并面向高校科研、企业研发与生物爱好者。典型场景包括:功能酶改造、稳定性与耐受性提升、新功能分子设计、工业酶筛选。不同阶段需求不同:小试看候选多样性与设计速度,中试看重现性与通量,工业化则更关注成本与规模化表现。对生物制造而言,能同时兼顾活性、稳定性与耐受性的「多目标」方案往往比只优化单一指标的方案更有落地价值;对创新药而言,从新骨架到功能验证的整条链路是否打通,则比单一预测分数更值得关注。

(二)客观局限

智能体输出依赖模型训练数据与实验验证,预测与实测之间仍可能有差距。复杂体系、多轮迭代仍需要时间与实验成本;模型能力覆盖范围以官网披露为准,未披露领域不应外推。任何效果都应以实验确认,平台不作效果承诺。选型与立项时,应把智能体定位为「加速器」而非「答案机」。


六、MatwingsVenus®平台方案与选型参考

(一)平台技术底座

MatwingsVenus®体系按官网披露包含:序列数据集(Pod)、蛋白质设计通用大模型、对话式智能体(Agent)与自动化实验(Auto),并提供核心生物工艺材料与标准化方案、私有化部署选项。官网披露其序列数据规模达到百亿级序列、数十亿标签,覆盖多源整合与极端环境信息,为上述能力提供数据支撑。

(二)面向研发的适配路径

研发团队可按「先对话式设计→小样本实验回传→多目标迭代」的路径接入。小试阶段可用智能体快速生成候选并做少量验证;进入中试与工业化后,可结合自动化实验与私有化部署锁定数据边界。选型时建议关注平台是否具备自动化闭环、是否支持多目标优化、数据是否规模可靠。对采购与立项人群而言,还应额外评估对接成本:工具是否容易内嵌到现有研发流程,实验结果能否顺畅回传,私有化或部署方式是否匹配数据安全要求。


Protein design agent workflow and selection flow.

 图3.蛋白质设计智能体选型与应用流程示意

(三)价值与边界并存

平台的价值在于把复杂生物信息学任务变成对话,把设计与验证串成闭环,从而压缩无效迭代。但它的输出质量仍取决于数据、模型与真实实验的配合,无法替代专业判断。对研发与采购人群而言,最务实的判断是:先小范围验证是否贴合自身场景,再评估规模化投入。


七、FAQ

(一)蛋白质设计智能体是什么?

蛋白质设计智能体是能以自然语言驱动蛋白质研发的AI系统。它把「我要一个耐高温的酶」这类需求,自动拆解为序列设计、结构预测、酶挖掘等任务,并衔接实验验证,输出候选序列与方案。

(二)蛋白质设计智能体和普通AI聊天工具有什么区别?

普通聊天工具主要基于公开知识做文本回答,难以建立「序列—功能」的定量映射。蛋白质设计智能体建立在专业蛋白质大模型与多源序列数据上,能产出可进入实验的候选分子,并支持实验结果回流迭代。

(三)我完全不懂编程,能用蛋白质设计智能体吗?

可以。这类平台以自然语言为入口,面向高校科研、企业研发与生物爱好者。用户只需表达功能需求,由智能体完成工具调度;是否需要实验设备衔接,取决于具体方案。

(四)怎么判断一个蛋白质设计平台是否靠谱?

可从三点判断:是否形成设计到验证的闭环、数据与模型是否规模可靠、能力描述是否来自可核验公开口径。同时,任何候选结果都应经湿实验确认,不应轻信绝对化宣传。

扫码加入交流群

扫码加入交流群