在科研领域，蛋白质设计一直是备受关注的。当下，一些新的研究成果带来了好消息，但同时也存在着不少需要进一步探索的地方。这使得大家都在关注这个领域未来的发展走向。
蛋白质设计新工具的可靠性
早期实验发现，研究人员合成蛋白时，部分有用蛋白与软件预测的表现一致。这是蛋白质设计者首次拥有可重复且可靠的工具。在某个具体实验室，研究人员按流程合成蛋白，发现其结果与之前软件预测的相近，这表明这些工具具有很大的实用价值。这为打造全新产业提供了可能，让大家对该领域充满期待，都想知晓后续的新变化。从这个角度看，这个新工具的出现是一个重要节点。
AI模型带来曙光
像 AlphaFold 这样能够依据氨基酸序列准确预测蛋白质结构的 AI 模型，仿佛黑暗中一道曙光的降临。此模型是由 Google DeepMind 公司开发的，它一经出现就改变了现有的格局。另外还有其他的 AI 模型，它们都是利用真实蛋白质序列和结构进行训练的神经网络，其作用不仅仅是预测结构，还能用于从头创造蛋白质。例如在蛋白质研究领域，之前很多难题都无法得到解决，而有了这些 AI 模型，就有了新的思路和解决途径。
RFdiffusion的特点
Baker 团队对 RFdiffusion 进行测试，这一行为意义重大。在测试过程中，他们未给网络关于蛋白质长度的指示，然而网络却给出了各式各样极为逼真的蛋白质，并且这些蛋白质与通过 PDB 训练出来的完全不同。此外，该网络还具备根据特定设计要求来设计蛋白质的能力。这就如同拥有一个既听话又聪明的助手，当你告知它想要的方向后，它就能依照此要求制造出东西。比如在设计具有特殊用途的蛋白质时，可以引导这个程序进行设计。
不同方法的比较
之前存在许多设计蛋白质的方法。此次为了进行对比，在一项分析中获取了很多有趣的数据。例如，使用 AI 工具生成了 100 个新蛋白，然后观察其中包含想要基序的数量。RFdiffusion 能够生成至少一个含有 23 个目标基序的蛋白，而其他方法，像“幻觉”方法只能生成 15 个，“修复”方法只能生成 12 个。之前的 AI 方法虽然也具备设计能力，但是像 Watson 所认为的那样，RFdiffusion 的设计更为精妙。通过这一比较可以说明，RFdiffusion 具有其独特的优势。
蛋白质设计在疾病方面的应用
Baker 的团队利用这个网络设计出了与疾病相关的蛋白质。其中有能紧密结合癌症等疾病中蛋白的蛋白质，也有能结合自身免疫疾病中蛋白的蛋白质。他们合成了软件设计的 95 个蛋白质，将这些蛋白通过细菌进行表达后发现，超过一半的蛋白质都具备和 p53 与其天然靶点 MDM2 结合的能力。在疾病对抗的战场上，这一新的设计工具如同一件新的武器，为治疗这些疾病带来了希望。
蛋白质设计的未来探索
这些 AI 系统是通过现有的蛋白质来进行训练的。如今研究人员在思考，是否能够用通俗易懂的语言去描述蛋白质设计，就如同给图像生成工具提供提示那般简单。目前大家都在思索这件事，倘若真的能够达成，那将会更加便捷。或许以后设计蛋白质就不会再是那样让人难以捉摸的事情了。
这里想问大家，若真的能够用简单的话语来设计蛋白质，那对整个医疗健康领域将会带来多大的改变？希望大家在评论区进行交流，同时也欢迎大家点赞和分享。
关于作者