蛋白质序列生成：AI 如何像“写代码”一样“写”出蛋白质？

蛋白质是由约 20 种氨基酸按特定顺序连接而成的长链。

这条顺序——也就是序列——决定了蛋白质会折叠成什么样的三维结构，又具备什么功能。

天然蛋白种类虽多，却常满足不了工业和医药的特定需求：有的不够耐热，有的催化效率偏低，有的无法精准结合目标分子。

过去，科学家主要靠定向进化：对序列做随机突变，再制备大量变体去筛选。

然而一轮实验往往要测试成千上万个候选，周期长、成本高，“碰运气”的成分很大。

蛋白质序列生成的出现，改变的是这个搜索方式——它让模型先在数据里学会“什么顺序更合理、更可能具备目标功能”，再据此给出有方向的候选序列，把巨大的搜索空间大幅压缩。

打个比方：随机突变像“在黑暗里摸索”，而序列生成像“先看地图、再出发”。

它不保证一次成功，却能让你离答案更近。

图1：从设计目标生成候选序列，实验验证可用蛋白

为什么我们需要“生成”蛋白质？

蛋白质序列生成把“先突变、后筛选”的偶然工程，转变成“先设计、再验证”的定向过程，让蛋白开发更高效、也更可控。

· 天然库有限：许多需求在自然界没有现成答案，需要人工“造”出新序列。

· 定向进化成本高：一轮随机突变加筛选，动辄上千上万个变体，时间和经费都吃紧。

· 生成模型给方向：从数据中学“序列—功能”规律，先给出有依据的候选，再聚焦验证。

· 类比：定向进化像“盲人摸象”，序列生成像“先看地图再出发”。

蛋白质序列生成的核心原理是什么？

蛋白质序列生成通常基于蛋白质语言模型或扩散模型，学习氨基酸序列的统计规律，并按目标性质进行条件化采样，生成新的候选序列。

氨基酸序列在结构上很像“语言”：20 种氨基酸如同 26 个字母，功能模体和结构域如同单词，折叠与互作规律如同语法。

正是这种相似性催生了蛋白质语言模型——它在海量天然序列上预训练，学会“什么样的顺序更常出现、更可能折叠成稳定结构”。

常见的生成方式有三种：

· 自回归生成（像逐字续写）：模型每步预测下一个最可能的氨基酸，一个接一个“写”出整条序列。

· 掩码生成（像完形填空）：遮住若干位置，再预测被遮挡的残基。

· 扩散模型（像从噪声显影）：从一团“噪声”开始，逐步去噪、收敛成一条合理的序列。

更关键的是条件生成：把目标性质（更高热稳定、更强催化活性、更优结合亲和力）作为约束，让模型只生成“满足条件”的候选。

背后是一个核心概念——适应度景观（fitness landscape），它描述“序列改变”与“功能变化”之间的关系。

模型所做的，本质是在这张地图上“爬山”，朝更高适应度的区域移动。

但要强调：生成不等于保证。

模型给出的是“看起来合理”的候选，是否真的可折叠、可表达、有功能，还要靠后续验证。

图2：按目标性质条件生成，并在适应度景观上移动

如何评估“生成”出来的序列是否靠谱？

生成的序列只是候选，必须依次通过计算打分、结构可行性与可开发性检查，以及湿实验验证，才能确认其真实功能。

先做计算筛选（in silico）。

第一步看结构：用结构预测模型观察它能否折叠成目标构象。

第二步看性质：用预测工具估算溶解度、稳定性、是否易聚集。

第三步看“可开发性”：与天然序列的相似度、免疫原性风险、整体相容性。

计算筛选能快速淘汰大量不靠谱的候选，但真正的“裁判”还是湿实验——表达、纯化、功能测定：把候选序列合成成基因，在细胞里表达，测它到底有没有预期的活性、稳定性或结合力。

只有通过实验的序列，才算真正“可用”。

随之而来的是闭环：把实验数据反馈给模型，让下一轮生成更聚焦、更高质量。

这种“生成—筛选—实验—再生成”的迭代，正是主动学习（active learning）的核心，也让每一轮实验都更有价值。

从“生成”到“下线”：工艺流程与条件如何设定？

一次完整的蛋白质序列生成落地，通常经历“目标定义→模型生成→计算筛选→湿实验验证→数据回流”五个环节，具体条件需随目标蛋白与用途调整。

1. 定义目标：更高的活性？更强的耐热？更高的产量？更精准的结合力？目标越清晰，条件生成越有方向。

2. 模型生成：让模型产出成百上千条候选序列。

3. 计算筛选：用结构与性质预测快速过滤，只保留少数高质量候选。

4. 湿实验条件：这是最需要针对具体蛋白优化的部分。

表达宿主（大肠杆菌、酵母、哺乳细胞等）、培养基、诱导温度与时间、纯化缓冲体系、活性测定方式，都要按目标与蛋白特性调整。

5. 数据回流：记录每轮结果、关键参数与失败信息，反馈给模型，让下一轮更高效。

循环往复，逐步逼近目标。

常见误区是“生成得越多越好”。

实际上，在计算端与实验端之间找到恰当比例——既不浪费算力，也不烧钱做无用实验——才是决定成本与成功率的关键。

图3：生成—筛选—验证—学习，干湿闭环让数据更聚焦

MatwingsVenus®（晓鹜®） 如何把“序列生成”变成生产力？

MatwingsVenus®（晓鹜®） 把生成式设计与干湿闭环打通，用序列生成、功能预测与高通量筛选协同，让蛋白工程从“想法”到“落地”更快、也更可靠。

作为天鹜科技（Matwings Technology）旗下的人工智能蛋白质设计平台，MatwingsVenus®（晓鹜®）正把“蛋白质序列生成”从实验室课题变成可复用的生产力工具。

它把多个能力串成一条完整链路：从 VenusX 的功能位点映射，到 VenusREM 的单点扫描、VenusPrime 的多位点协同建模，再到 VenusFold 的结构预测、VenusG 的性质预测，配合 VenusMine 的结构挖掘，共同覆盖“设计—预测—筛选—验证”的每个环节。

更重要的是干湿闭环：AI 负责生成与预测，湿实验负责验证与反馈，主动学习让每一轮实验产出最大信息量，从而在更短周期内逼近目标序列。

这套思路可服务多种场景，例如酶催化效率提升、抗体亲和力成熟、蛋白热稳定化设计，以及从头设计新结合蛋白。

对商业而言，这意味着更短的开发周期、更低的试错成本、更高的成功率。

当然，具体性能数字应以真实项目数据为准，这里不做臆测。

FAQ

FAQ 1：蛋白质序列生成能直接“造”出可用的蛋白质吗？

不能一步到位。

生成模型给出的是候选，必须经计算筛选与湿实验验证，才能得到真正可用的蛋白质。

FAQ 2：蛋白质序列生成和定向进化有什么区别？

定向进化靠随机突变加大量筛选，序列生成靠模型定向设计。

二者常结合使用：生成提供方向，实验验证功能。

FAQ 3：生成式模型会不会“编造”不存在的蛋白质？

模型会生成天然不存在但合理的序列，这正是它的价值所在。

但必须用结构与功能验证确认可用性，避免“看起来合理却不可折叠”。

FAQ 4：没有蛋白质结构数据也能做序列生成吗？

可以。

蛋白质语言模型仅凭大量序列即可学到规律；若再有结构或功能标签，便可做更定向的条件生成。

总结

蛋白质序列生成把蛋白工程从“碰运气”变成“有方向的设计”，关键在于模型、数据与湿实验验证三者闭环协作。

回顾全文：原理上，它借蛋白质语言模型或扩散模型学习序列规律并条件化采样；评估上，必须经过计算筛选与湿实验验证；工艺上，遵循“目标—生成—筛选—验证—回流”五环节；平台上，MatwingsVenus®（晓鹜®）正是靠干湿闭环把这些环节串成生产力。

随着数据与算力提升，序列生成会更快、更智能，但实验永远是最终把关者。