一、现状与痛点

生成式AI（如RFdiffusion）虽然让蛋白质设计大众化，但设计具有复杂功能的动态蛋白仍是挑战。

卢培龙指出，目前的挑战已从设计静态支架转向设计动态膜蛋白（如转运体和受体）。这要求我们不仅要模拟静态结构，还要准确模拟自由能图景和配体相互作用，从而实现对跨膜信号的智能调控。

Bruno Correia补充道，设计小分子结合位点和酶活性中心依然困难，因为这高度依赖于对侧链细节和蛋白质微观动力学的精确控制。

深度学习的上限取决于数据，所以除了更高分辨率的结构数据，学者们呼吁建立新的数据集标准：

❶ 把“失败”亮出来：卢培龙呼吁大家共享那些无功能的设计数据（Negative Examples）。AI只有知道什么是“错”的，才能学会什么是“对”的。

❷ 要“动态”的数据：别光给PDB晶体结构，我们需要NMR、交联质谱这种能反映中间态的数据。

❸ 要“免疫”的数据：Bruno Correia希望能有大规模的深度突变扫描数据，专门预测蛋白药物会不会引起免疫反应，这关系到药能不能进临床。

针对AI辅助蛋白质设计可能带来的生物安全风险（如设计新型病原体），学者们保持了理性的态度：

卢培龙认为，过度监管AI算法本身会阻碍科学进步。

真正的防线在于商业化DNA合成，通过AI增强的筛查算法，可以有效检测并拦截那些试图逃避传统生物安全筛查的工程化序列，因此解决方案在于提升监控能力，而非限制技术本身。

为了方便各位研究者跟进最新技术，我们整理了文中提到的关键工具及其适用场景：

七、结语：从“看清结构”到“理解生命”

三位学者的对话实际上向我们传达了一个明确的信号：结构生物学的“黄金时代”并没有结束，而是刚刚换了条赛道。

AlphaFold为我们点亮了地图，但要真正理解生命的奥秘——那些稍纵即逝的构象变化、那些精妙绝伦的能量转换——我们不能只靠AI的“统计直觉”。我们需要把物理学的严谨、化学的复杂性以及生物学的动态本质重新注入模型之中。

正如他们所言，未来的AI不再只是一个生成静态图像的画笔，而是一架能帮我们看清蛋白质“动态人格”、设计“分子机器”的新时代显微镜。

蛋白设计的下半场，才刚刚开始。

联系丸子，了解更多~

推荐

谱度众合：二十年质谱技术沉淀助力于您的蛋白质研究

谱度众合是一家由武汉大学博士团队创办的科研服务企业，我们专注于利用质谱技术服务于生物标志物、药物靶点筛选、基础研究等蛋白质研究领域，我们在本专业细分领域持续深耕十几年，针对具体研究场景开发多种面向具体研究目的和论文发表需求的服务产品，助力于客户更轻松更高效的完成科研目标。