一句话生成一个蛋白质，西湖大学最新《Nature》
来源：iNature 2026-10-26 10:11
该研究提出了Pinal—一个160亿参数的基础模型，可直接依据自然语言描述的功能设计候选蛋白质。
编程生物功能—设计定制蛋白质以执行指定的分子任务—是分子工程的基础目标。然而，当前的设计模型仍存在根本性局限：它们通常需要天然蛋白质作为优化起点，或需要将功能目标手动重新表述为几何和序列层面的约束来指导候选生成。
2026年10月21日，西湖大学原发杰、刘建明、香港科技大学（广州）卢泓远、中国科学院深圳先进技术研究院司同共同通讯在Nature在线发表题为Programmable design of functional proteins from natural language的研究论文。该研究提出了Pinal—一个160亿参数的基础模型，可直接依据自然语言描述的功能设计候选蛋白质。
其基于17亿合成蛋白-文本对训练，可将自然语言功能描述直接转化为候选蛋白序列与结构。计算评估显示设计兼具可折叠性、功能对齐与序列多样性；实验验证荧光蛋白、PET水解酶、醇脱氢酶与H蛋白四类设计均具预期功能，其中H蛋白使CO₂固定途径产物滴度较天然大肠杆菌H蛋白提高1.7倍。
编程生物功能——为医学、可持续发展和工业应用创建定制蛋白质——是分子工程的一个长期目标。几十年来，这一追求由两种互补的理念塑造：通过定向进化模拟自然选择，或应用物理学和化学的第一性原理，使用Rosetta等计算工具从头设计蛋白质。
人工智能（AI）的最新进展，特别是深度生成模型，催生了一种新兴的设计范式，其中模型从蛋白质序列、结构和功能注释中学习，以在多样设计目标下生成蛋白质。
然而，尽管取得了这些进展，一个核心瓶颈仍然存在。人类科学家与蛋白质设计算法之间的对话往往仍通过形式化的技术规范来中介，包括结构约束、位点级突变指令和家族特异性参数。
因此，将高层次功能目标——如塑料降解酶或荧光成像报告器——转化为精确的、机器可读的设计问题，往往需要大量的计算工作和专业的设计知识。这一技术壁垒限制了蛋白质设计的广泛可及性，并制约了可探索的功能空间。
Pinal的框架原理（图源自Nature）
在此，研究人员介绍了Pinal，一个160亿参数的基础模型，能够根据所需功能的自然语言描述设计候选蛋白质。Pinal在17亿对合成注释的蛋白质-文本对上训练，将功能意图与蛋白质序列和结构联系起来。在计算评估中，生成的候选物结合了高预测可折叠性、功能描述对齐和序列多样性，为优先选择可实验测试的设计提供了基础。
将Pinal应用于四个不同的设计任务—一种荧光蛋白、一种聚对苯二甲酸乙二醇酯水解酶、一种醇脱氢酶和一种代谢H蛋白—并在每种情况下实验观察到预期功能，包括两种设计酶的催化活性。
无需迭代实验优化，一种Pinal设计的H蛋白在多酶CO₂固定途径中使产物滴度相对于相应天然大肠杆菌H蛋白提高了1.7倍。这些发现支持自然语言作为蛋白质设计中候选生成的高级接口，实现了减少对手动指定结构或序列约束依赖的可编程探索。
参考消息：https://www.nature.com/articles/s41586-026-11205-z
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
