0｜基本信息（Metadata）
- 标题（Title，中英文）：The past, present and future of de novo protein design / 《从头蛋白质设计的过去、现在与未来》
- 作者（Authors）：Wei Yang, Shunzhi Wang, David Baker（华盛顿大学蛋白设计研究所；计算蛋白设计、结构生物学、AI for biology）
- 期刊 / 会议（Venue）：Nature（顶级综合期刊，标志性综述）
- 发表时间（Year）：2026
1｜核心结论（Core Takeaway）
- 深度学习驱动的蛋白设计已发生范式转变：从“随机筛选”转向“可控生成设计”。
- 蛋白结构（fold）、组装（assembly）和结合（binding）问题基本被解决。
- 当前核心问题已转为：“设计什么功能”，而非“如何设计”。
👉 判断：强烈值得读（领域路线图级综述）
2｜研究问题与背景（Problem & Context）
- 核心问题：是否可以从零设计具备特定结构与功能的蛋白质？
- 背景动机：
- 自然蛋白进化太慢，无法应对疾病/环境问题
- 蛋白具有极强功能潜力（催化、识别、能量转换）
- 历史挑战：
- 折叠（folding）是否可预测
- 功能位点是否可精确构建
- 领域转折点：
- AlphaFold → 结构预测几乎解决
- RFdiffusion → 结构生成能力爆发
3｜方法主线（Approach）
整体方法经历两代范式：
第一代：物理模型（Physics-based）
- 能量函数（force field）驱动
- 三步：
- backbone采样
- sequence设计
- energy ranking
- 代表工具：Rosetta
第二代：深度学习（ML-based）
核心pipeline：
- 结构生成（Structure generation）
- diffusion模型（如 RFdiffusion）
- 序列设计（Sequence design）
- ProteinMPNN 等
- 结构验证（Structure prediction）
- AlphaFold / RoseTTAFold
👉 本质转变：
- 从“最低能量结构” → “最高概率结构”
4｜创新贡献（Novel Contribution）
类型
- 方法创新（Methodological）+ 领域整合综述
真正创新点
- 明确提出：蛋白设计问题的“已解 vs 未解”边界
- 系统总结：
- diffusion模型如何统一结构生成问题
- ML如何替代传统能量函数体系
- 提出新研究范式：
“design space exploration” 取代 “optimization”
创新幅度
👉 高（范式总结 + 未来方向定义）
5｜关键点（Key Points）
- 蛋白设计核心问题已分层解决：
- 结构（fold）✅
- 组装（assembly）✅
- 结合（binding）≈已解决
- 催化（catalysis）⚠️仍难
- 扩散模型（Diffusion）成为核心生成范式
- 类似 DALL·E，但用于蛋白结构
-
ProteinMPNN 解决 sequence design bottleneck
- binder设计已可达皮摩尔级亲和力
- 可替代抗体
- 酶设计仍受限于：
- 活性位点原子级精度不足
- 高能垒反应难以设计
6｜关键数学 / 统计方法（Quantitative Tools）
1. 扩散模型（Diffusion Model）
- 用于：生成蛋白 backbone
- 作用：建模结构分布（而非优化单点）
- 可迁移性：⭐⭐⭐⭐⭐（生成建模通用范式）
2. 概率建模（Probabilistic modeling）
- 替代传统 energy function
- 核心思想：structure probability > energy minimum
- 可迁移性：⭐⭐⭐⭐
3. 图神经网络（GNN-based sequence design）
- 代表：ProteinMPNN
- 用于：structure → sequence 映射
- 可迁移性：⭐⭐⭐⭐⭐
7｜结果与证据强度（Results & Evidence Strength）
核心结果
- 已设计并实验验证：
- >200 个蛋白binder
- 多种病毒（SARS-CoV-2、流感）抑制剂
- 纳米材料、蛋白组装结构
- 酶（部分达到 10⁵ M⁻¹ s⁻¹）
证据特点
| 维度 | 评价 |
|---|---|
| 实验验证 | ✔ 大量 wet-lab 验证 |
| 应用落地 | ✔ 已有疫苗（SKYCovione） |
| 方法泛化 | ✔ 多任务适用 |
| 定量性能 | ⚠ 酶催化仍弱 |
👉 证据强度：强
但：
- 酶设计仍依赖筛选/优化
- 高复杂功能系统证据有限
8｜局限与注意点（Limitations）
- 催化能力不足
- 高能反应设计仍困难
- 多状态系统（multistate systems）尚不成熟
- 如分子机器、动态调控
-
免疫原性（immunogenicity）风险未完全解决
- 设计空间探索仍依赖经验（what to design）
9｜可迁移价值（Transferable Value）
1. “生成优先”设计范式
- 不再优化已有结构
- 而是直接生成满足约束的结构
👉 可用于：
- 分子设计 -材料设计 -电路/结构生成
2. 分解式设计pipeline
- backbone → sequence → validation
👉 强通用架构（可迁移到任意生成任务）
3. 结合 ML + 实验闭环
- 模型输出必须实验验证
- 快速迭代
👉 对任何“科学AI”任务都是关键范式
10｜一句话总结（One-line Summary）
深度学习已基本解决蛋白结构与结合设计问题，蛋白工程正式进入“功能设计与系统构建”的新阶段。