最近刷到一条挺有意思的科研新闻一个韩国团队用AI从头设计了一批能选择性识别压力激素的蛋白质。这类新闻表面看只是“又一篇AI造蛋白”的报道但如果做过计算蛋白质设计的人都能嗅到这里面的分量——“从头设计小分子结合蛋白”和“给天然蛋白加突变”完全是两码事而“选择性识别”这四个字更是把小分子结合的设计难度直接拉满。今天我想抛开新闻本身把这则消息背后的技术逻辑拆开聊聊顺便结合我自己在相关项目里的实操经验聊清楚AI驱动的小分子结合蛋白从头设计到底是怎么跑通的、最容易在哪里翻车、以及如果想复现这条路需要什么样的工具和预算。先说结论这类研究的价值不在于“AI会设计蛋白质”这个噱头而在于它证明了我们可以对着一个只有几百道尔顿的小分子在巨大的序列空间里搜索出全新的蛋白质骨架并且让这个骨架对目标分子的识别精度逼近甚至超过天然受体。这个能力一旦稳定下来会直接冲击生物传感、药物递送、环境监测、检测试剂盒这些领域。下面我就从靶标分析、生成建模、选择性设计、实验验证和管线复现五个角度把这篇文章的正文给你补全。1. 一条新闻背后的隐含信息从零造一个蛋白质到底难在哪1.1 “从头设计”和“改造天然蛋白”完全不是一个量级很多人看到“AI设计蛋白质”第一反应是“这不就是拿AI优化一下已有的蛋白吗”。真正跑过蛋白工程的人会立刻摇头优化天然蛋白是在一个有固定三维拓扑结构的骨架上换氨基酸能换的组合其实非常有限因为骨架的几何约束早就把序列空间锁死了。而“从头设计”de novo design是另一条路——不依赖任何天然模板直接从物理化学原理出发先设计一个能稳住的三维形状再反推出对应的氨基酸序列。这个区别放在“小分子结合蛋白”这个任务上会被放大。压力激素比如皮质醇这类类固醇分子分子量很小300多道尔顿表面只有有限的羟基和酮基可以参与氢键剩下的几乎全是疏水碳环。你想让一个蛋白质去抓住它就得从头挖一个形状互补又带有精确极性残基分布的“口袋”。天然蛋白里现成的口袋要么是为大分子界面设计的要么在结构上被其他功能模块牵制很少能直接挪过来用。这时候只能依靠从头设计去搜索一个此前从没存在过的新骨架。新闻里说的“多样化”在这个语境下也不是随便生成几百个不同序列当分母而是要在结构拓扑层面产生足够多的口袋形状保证后续筛选的时候有真实的选择空间。如果生成出来的候选都是同一种折叠模式的微调版本那计算筛选做得再漂亮也只是在同一个陷阱里反复打转。1.2 为什么“选择性识别”是这条新闻最重的四个字小分子结合蛋白的头一条评价指标是亲和力也就是蛋白能不能把配体抓住。但真正难的是特异性。压力激素不是单独一个分子而是一个庞大的家族皮质醇、可的松、皮质酮、醛固酮、睾酮、雌二醇……它们骨架几乎一样区别往往只是某个位置是一个羟基还是酮基或者某个环的饱和度不同。要设计一个蛋白能抓住皮质醇但基本不理可的松这相当于要求你在两个形状几乎一样、极性差异极小的分子之间做出严格区分。我们实验室私下评估一个从头设计项目成色经常是先看设计者有没有认真对待“选择性”而不是只看亲和力。亲和力不够可以靠浓度堆选择性不够就是彻底的不可用。检测试剂里只要有结构类似物干扰信号就全是噪音。这也是韩国团队这个成果让我觉得有价值的原因之一他们在新闻里特别强调了选择性识别说明他们知道这项技术真正要走通产业化跨过的是哪道坎。这里也顺带解释一个常见的误区很多文章喜欢用“AI生成的蛋白能结合某某分子”作为卖点但“能结合”这个结论如果没有做足够的负样本对照实验很可能只是计算打分虚高的结果。真正的选择性识别需要在湿实验里把几十个结构类似物一个个拉过来做结合实验这种工作量非常考验团队的综合能力远不是跑几轮模型那么轻松。2. 压力激素的靶标画像小分子结合蛋白设计的起点2.1 先理解靶分子的“性格”再去设计口袋我做计算设计时有个习惯不急着找工具、不急着生成序列而是先把目标分子在屏幕上转上几十圈把所有可能的氢键供体、受体、疏水表面标个遍。这个过程听起来原始但非常重要。小分子配体的物理化学特征决定了口袋设计的边界条件没有这一步后面生成出来的蛋白很可能要么尺寸不匹配要么极性残基布局完全对不上。以皮质醇这类糖皮质激素为例它的关键特征大致如下表所示特征项典型数值/分布对口袋设计的约束分子量约360 Da口袋体积需要很小大约200-400立方埃氢键供体3个羟基需要在对应位置安排受体残基Asp、Glu、Ser等氢键受体2个酮基需要供体残基Tyr、Asn等与之配对疏水性四个稠合碳环疏水性强口袋内壁必须有大片疏水残基否则结合贡献不足结构类似物干扰可的松仅11位羟基变酮基必须在11位附近设计“差一个基团就排斥”的选择性开关这张表里的最后一行是重点。想在皮质醇和可的松之间做出区分最简单的策略就是在蛋白口袋里安排一个残基刚好能和皮质醇11位的羟基形成氢键当这个羟基在可的松里变成酮基时氢键模式改变再加上酮基的额外孤对电子会和口袋某个负电残基发生排斥亲和力就会断崖式下降。这种“一个基团之差导致结合断裂”的设计思路算是最经典的选择性开关。2.2 从靶分子到口袋描述符计算建模的标准动作这个阶段的目标是将小分子的化学特征转成口袋生成的约束条件。实际做法一般分四步走用小分子力场或量子化学方法优化配体的三维构象得到低能构象集。定义候选口袋的几何中心通常是配体分子的质心或者某个关键极性原子附近。根据配体表面的极性分布生成一个“药效团约束”比如在哪个空间位置必须出现氢键供体、哪个区域必须被疏水残基填满。把这些约束编码成语义坐标或者距离矩阵作为生成模型的输入条件。这里我必须多说一句自己踩过的坑很多新手做小分子结合蛋白设计时会用大分子蛋白结合界面的设计逻辑去约束小分子口袋结果生成的候选动不动就是一条深沟或者一个扁平表面把口袋空间浪费得不像样。小分子结合口袋和蛋白-蛋白相互作用界面非常不一样前者体积小、封闭度高、需要对配体“包裹”得很紧后者是大面积平坦界面。生成骨架模型时如果拿错约束模板后面再怎么优化序列都救不回来。2.3 为什么天然受体结构帮不上忙可能有人会问压力激素在体内本来就有天然受体比如糖皮质激素受体直接照着它改造一个迷你版本不行吗我试过类似思路结论是不太行。天然核受体的配体结合域体积大整体形状是由蛋白结构域之间的相互作用来稳定的单独把这个口袋搬到新骨架里十个有九个会在体外折叠成一团浆糊或者直接不溶。而且从另一个角度看完全模仿天然口袋也会牺牲“设计多样性”。从头设计最大的优势就是可以探索天然进化没走过的地方——天然受体的口袋形状未必是最优的只是“够用”。用AI做从头设计等于是把搜索范围从天然蛋白附近的局部空间扩展到整个可折叠蛋白宇宙这才是这项技术的真正价值所在。新闻里强调“多样化”往深了理解就是这个意思不是复制天然解决方案而是生成尽可能多样的新解决方案。3. 多样化生成的底层逻辑AI如何设计“一批”而不是“一个”3.1 骨架生成和序列设计两条腿走路现在主流的AI从头设计流程几乎都是“结构生成序列设计”两段式。结构生成负责造出符合几何约束的三维骨架这一步工具的选择范围在业内其实很小老牌的是基于扩散模型的RFdiffusion这类开源方法它们能从随机噪声出发一步步去噪出满足约束条件的骨架坐标。下一步再用ProteinMPNN这类逆折叠模型把骨架上的每个位置填充上具体的氨基酸。这个过程可以理解为先盖好毛坯房的承重墙和房间布局再决定每个房间的装修材料。对于小分子结合蛋白结构生成阶段就需要把配体坐标一起放进去做条件。生成时通常不是直接生成“蛋白配体”的复合物而是先生成一个口袋洞再把配体放进去反复调整。所以你会发现那些所谓的“AI设计蛋白”下载下来的PDB文件其实是两部分蛋白骨架和配体坐标两者之间存在非常精确的空间匹配。3.2 如何控制“多样化”从随机性到可控的探索多样化不是简单地让模型乱跑。真正有效的多样化控制是在几个维度上有意识地放宽搜索范围序列层面采样温度稍微调高让序列生成时多接受一些低概率氨基酸但也不能太高否则会产出大量疏水内核不成立的设计。拓扑层面每次跑多个随机种子让去噪起点不同更容易得到不同的折叠拓扑。约束层面把药效团约束做成“软约束”允许某些氢键位置在一定范围内浮动这样口袋的形状会有变化而不是所有候选都长一个样。我在实际操作中见过一个现象同一个团队第一次跑出来的候选几乎全部是同一个折叠类型后来他们仔细看了约束设置发现口袋体积的上下限设得太窄等于把一个本来应该很灵活的搜索问题做成了只有一个标准答案的填空题。后来把静电约束放松、允许口袋表面残基有一定侧链柔性候选的多样性立刻上来了。3.3 序列多样性不等于功能多样性这段是给准备入行的读者提个醒生成器给出来1000个序列不要以为就拥有了1000个潜在结合蛋白。序列相似性聚类之后很可能只剩三五个骨架类。更要命的是很多生成出来的骨架在计算折叠验证时会直接“爆掉”——用AlphaFold2或ESMFold回预测结构时预测出的结构和生成骨架差异巨大说明这个序列在自然界里根本无法稳定折叠成设计形状。所以正规的计算筛选流程一定会做一道“自洽验证”用生成序列去跑一遍结构预测再把预测结构叠合到设计骨架上看RMSD是否足够小。这道筛选能干掉至少70%的候选剩下的才有资格进入分子对接打分和实验验证。新闻里的“多样化”经过这道筛子之后残留下来的候选才是真正有实验潜力的那一批。4. 选择性识别把最相似的激素分得清清楚楚4.1 亲和力和选择性是两个完全不同的维度很多非专业人士会把“结合得紧”和“认得出”混为一谈但在分子识别里这是两个正交指标。亲和力描述的是蛋白对目标分子的结合强度选择性描述的是蛋白对目标分子和干扰分子的区分度。你可以设计出一个和皮质醇结合得非常好的蛋白但如果它对可的松也结合得一样好那它在检测场景里就是废柴。用一个生活化类比亲和力相当于一扇门的“上锁灵敏度”而选择性相当于这把钥匙能不能同时打开另一扇结构类似的锁。你要的既不是门多容易开而是只有那一把正确的钥匙能开其他钥匙即使外形相近也要被挡在外面。从结构层面讲实现选择性的关键就在那几个氢键差异点上。前面提到皮质醇和可的松的差别只在11位这个位置附近的口袋残基必须通过空间位阻和静电模式的双重约束让羟基版本能进来、酮基版本被排斥。实际操作时计算团队会在生成阶段额外加上一条“负约束”在口袋11位附近预埋一个带负电的残基计算机会自动学会让口袋在这个位置只接受具有特定化学特征的配体。4.2 计算筛选里你怎么验证“选择性”是否成立计算阶段验证选择性最常用到的办法是双通道打分正样本打分候选蛋白与皮质醇的对接/结合自由能计算。负样本打分同一个蛋白与可的松、皮质酮等类似物的结合计算。如果正负样本的打分差距足够大通常要求相差4-6个数量级的结合常数差异才算通过计算筛选。具体工具有很多比如Rosetta的配体对接模块、AutoDock Vina这类经典对接程序更精细一点的还会跑几十纳秒的分子动力学模拟统计配体在口袋内的停留时间和氢键占有率。这里有一个我特别想强调的细节计算打分里的“结合能差”不能只看平均值还要看方差。如果同一种配体跑了20次对接结果忽高忽低说明口袋对配体没有形成稳定的结合模式后续设计基本不可靠。我们团队内部的经验是候选蛋白在做实验前至少要让正负样本跑出来的能量分布没有重叠否则实验阶段大概率会出现严重的选择性失误。4.3 实验验证选择性比亲和力测定更花工夫等到实验阶段选择性验证的大头在于构建对照组。你不仅要把目标激素和相似激素分别拿来测还要测它们的混合物、测结构更远的普通小分子、测空白溶剂对照。常用手段是表面等离子共振SPR或者生物膜干涉技术BLI给蛋白固定之后分别流过不同配体观察结合信号的差别。简便一点的早期筛选也可以用荧光各向异性——如果蛋白设计时给口袋附近融合了一个荧光标签配体结合后荧光各向异性变化可以直接反映结合情况通量比SPR高不少。但注意荧光标签本身可能会干扰结合口袋最好先跑一个小型的分子对接验证一下标签是否远离口袋入口。这个坑我见过不止一次有人辛辛苦苦设计了一个不错的结合蛋白结果为了检测方便在N端加了个大标签测出来的结合信号全是标签和配体之间的非特异性吸附整个实验白做。5. 从计算筛选到实验闭环哪些结论可信、哪些要打折5.1 计算筛选中的三大“错觉”第一个错觉是“结合能越低越好”。很多刚接触评分函数的人看到-15 kcal/mol就觉得比-9 kcal/mol的候选更牛。事实上绝对结合能数值基本不可信打分函数内部存在系统性误差跨体系比较完全没有意义。正确的打开方式是只比较正负样本的相对差距而且必须用同一个打分流程、同一套蛋白质力场来做基准。第二个错觉是“结构叠合漂亮就说明设计成功”。AlphaFold2预测结果和设计骨架RMSD小于1埃固然能说明序列能折叠成目标拓扑但它说明不了配体是否能真的结合进去。因为结构预测模型根本不知道你的配体在哪里它只是在验证空蛋白自身的折叠稳定性。这就像你造好了一个和钥匙孔长得一模一样的锁壳但里面的锁芯弹子还没装。第三个错觉是“序列新颖度等于功能新颖度”。有些生成结果看着氨基酸排列非常独特跟天然蛋白完全对不上让人眼前一亮。但很多“特别新颖”的序列实际上是模型在缺乏约束的地方乱发挥折叠稳定性极差。真正的新颖应该体现在拓扑结构层面而不是序列层面。序列和天然蛋白完全不像只是一个上游副产品不是设计成功的证据。5.2 实验测试的常规动作表达、纯化、结合、再测负样本过了计算筛选的候选一般会挑出5到20个序列进湿实验环节。第一步不是测结合而是测表达和可溶性。在大肠杆菌里表达一小段带有亲和标签的重组蛋白跑SDS-PAGE看条带再跑尺寸排阻色谱看是不是单分散。这一步能刷掉相当大比例的计算候选因为计算阶段很难精确预测蛋白在大肠杆菌里的折叠效率和降解情况。只有表达正常、聚集少的候选才有资格做结合实验。结合实验第一炮往往用小分子干扰下的荧光或NMR谱图变化先看看有没有明显的化学位移变化确认“有信号”。接着才上SPR/ITC这类定量工具把KD值测出来然后跑负样本对照组。这里有个行业通行的做法如果候选蛋白对目标分子的KD在微摩尔级别但对照分子完全无信号整个项目的信心就会大增。反过来如果你看到KD低到纳摩尔但对照组也有明显信号恭喜你你得到的不是选择性结合蛋白而是一个广谱黏合剂。选择性不达标的候选不管亲和力多漂亮我们最终都会直接放弃不再浪费后续时间。5.3 翻车案例复盘序列微调把口袋改没了我想分享一个自己真实经历过的失败案例帮助大家理解实验闭环的意义。当时我们有一个候选蛋白计算打分非常漂亮正样本结合能-13负样本-7选择性窗口看似完美。实验结果也很有意思第一轮SPR确实测到了目标分子的结合信号。但当我们把对照组的可的松拉过来一测信号几乎和皮质醇一样强。后来我们逐步排查才发现问题出在序列设计阶段。ProteinMPNN在回填序列时为了追求整体折叠稳定性把一个原本计划放在配体11位附近的关键极性残基改成了疏水残基导致选择性开关失效。而计算对接阶段使用的结构还是最初的人工设计骨架没有重新做生成序列的结构验证所以打分显示的选择性完全是虚的。这个教训让我养成了两个好习惯一是序列设计完成后必须用AlphaFold2重新预测一次结构用预测结构去重新跑对接而不是用理想骨架去打分二是在实验前无论如何都要先做负样本结合测试这个动作成本很低但收益极高。这也是我现在看这类新闻时会特别留意对方有没有做负样本对照的根本原因。6. 如果我要复现这条路线工具清单、算力与时间表6.1 一条预算可控的开源管线先说清楚新闻报道里的韩国团队用的具体工具组合我们不得而知但业内做这类工作的大体路径是公开的我用开源工具拼一条类似管线也完全可行。下面这条是我自己在类似项目上用过的组合环节工具用途骨架生成RFdiffusion生成满足口袋约束的蛋白质骨架坐标序列设计ProteinMPNN为每个骨架回填氨基酸序列结构验证AlphaFold2 / ESMFold预测生成序列的折叠结构筛选自洽性序列聚类MMseqs2按序列相似度聚类减少冗余配体对接AutoDock Vina / GNINA正负样本结合能打分精细评估OpenMM 分子动力学模拟跑几十纳秒统计配体稳定性湿实验表达常规大肠杆菌表达系统验证可溶性和结合活性你看每一个环节都有相对成熟的开源工具可以接手这也说明这项技术的门槛正在肉眼可见地降低。几年前同样的事情需要一支专门的计算团队维护一堆内部脚本现在一个熟悉Linux的人照着教程就能把前六个环节全部跑通。6.2 算力需求建议用好手头的GPU算力方面我的个人经验是骨架生成阶段一张24GB显存的消费级GPU就能跑序列设计阶段更快几分钟就能完成上千个序列最吃算力的是结构验证阶段上千条序列如果都跑AlphaFold2普通GPU可能要跑一整晚建议可以先通过聚类筛掉冗余序列再做全量验证能让计算时间减少一半以上。没有自己的GPU也不用担心很多结构预测工具都提供在线服务或者云端免费额度个人用户做小批量验证完全够用。需要提醒的是设计阶段不要随便用在线平台跑RFDiffusion这类骨架生成工具它需要的作业数量和迭代轮次比较多免费额度很快会消耗完最好本地起一个环境成本反而更可控。6.3 从零开始到拿到阳性候选时间表长什么样最后给一张更接近实践的时间表供打算入坑的人做个心理预期阶段周期关键交付物靶标分子分析和口袋约束设定1-2周药效团描述文件、口袋尺寸范围骨架生成 序列设计2-3周数千条候选序列计算筛选自洽验证 对接打分1-2周5-20条优先候选基因合成 表达纯化2-4周可溶性蛋白样品结合实验 负样本对照2-4周KD值和选择性数据整体下来一个比较顺利的项目也要三个月左右才能走到第一次阴性/阳性结果的判定。这不是一个可以“今天跑个模型、明天出结果”的短平快任务但它的价值恰恰在于每一步都有明确的可检验标准不会有过山车式的惊喜或惊吓。我个人这几年做下来最大的体会是小分子结合蛋白从头设计真正的瓶颈永远不在“AI够不够聪明”而在研究者有没有把物理化学的约束条件吃透、有没有把计算和实验的验证闭环焊死。像“选择性识别压力激素”这类听起来很酷的成果背后其实是无数个枯燥的负样本对照、无数次结构验证和表达条件优化堆出来的。如果你也想尝试这类工作我建议从简单一些的小分子靶标入手先跑通整条管线的流程再逐步挑战皮质醇这类有大量结构类似物的靶标。最后的最后分享一个小技巧在设计选择性很强的口袋时试着在计算筛选阶段单独算一算“突变扫描”——把口袋里的某个关键残基手动替换成丙氨酸看看打分变化是否剧烈。如果变化不大大概率说明目前的结合模式并不依赖这个残基所谓的选择性开关其实不存在。这个技巧不花额外算力却能提前暴露很多问题值得在正式跑大筛选前先做一轮。