蛋白质工程的关键拐点，是从“改造天然蛋白”转向“生成全新蛋白”。早期做法是对天然蛋白序列做5-20个氨基酸突变，使其在工业或医药环境中达到更优的稳定性、结合力、亲和力、催化活性与底物选择性；随后，AlphaFold 2 解决了蛋白结构预测问题，达到与实验相当的精度，并启发了基于深度学习的蛋白质设计新方法；DeepMind 进一步找到将1D序列与3D结构联系起来的数学公式。在此基础上，以GPT为代表的大模型在蛋白质设计方面已完全碾压人类，AI已能设计出与自然界蛋白序列相似度低于30%、但具备类似功能的全新蛋白，标志着蛋白质工程进入生成式设计阶段。
拐点一：从天然蛋白突变到理性改造
天然蛋白质经过自然选择，在性能、稳定性、活性、特异性上已达到很优秀的条件，但工业或医药使用时的环境要求不同。传统蛋白质工程因此需要在序列上做突变，把氨基酸中的5-20个突变成别的氨基酸，让它在真实应用环境里达到最优性质。这一阶段的优化维度集中在稳定性、结合力、亲和力、催化活性、底物选择性等方面，本质上仍是“在天然蛋白框架内做调整”。
拐点二：AlphaFold 2 解决结构预测
2021年 AlphaFold 横空出世，AlphaFold 2 解决了蛋白的结构预测问题，精度与实验相当。更关键的是，它启发了基于深度学习的蛋白质设计新方法。DeepMind 找到了一个数学公式，将1D序列和3D结构联系了起来，而 Network 已经很擅长判别什么像蛋白、什么不像蛋白。结构预测这一环被打通后，蛋白质设计从“凭经验猜”走向“可计算、可生成”。
拐点三：大模型实现非天然蛋白生成
AI 可以通过学习已有蛋白质序列，创造一个自然界不存在但具备类似功能的蛋白，从序列上讲，与自然界蛋白序列相似度低于30%。在蛋白质设计方面，以GPT为代表的大模型已经完全碾压了人类。上海交大洪亮教授利用海洋所取得的深海蛋白（耐高温）数据训练大模型，AI 就能轻松设计出具备耐高温目标的蛋白。AI 找到的有些好点位违背人类直觉，却也能提高相应稳定性——人类经验总结出的结构规律只有相关性，而深度学习用高维向量描述蛋白质特征，有可能抓住更本质的因素。
常见问题
AI蛋白质设计是否意味着不再需要天然蛋白？
不是。天然蛋白仍是重要的数据来源与功能参照。AI 的价值在于学习已有蛋白质序列后，生成自然界不存在但具备类似功能的新蛋白，其序列相似度可低于30%，从而突破天然序列在特定应用环境中的限制。
AlphaFold 2 在蛋白质工程中扮演什么角色？
它解决了蛋白结构预测问题，精度与实验相当，并启发了基于深度学习的蛋白质设计新方法。DeepMind 找到的将1D序列与3D结构联系起来的数学公式，为后续生成式设计提供了关键基础。
AI 设计的蛋白能直接用于医药或工业吗？
AI 在药物发现上的作用目前仍局限在速度和成本上，而不是决策的质量。蛋白质工程本身也受制于数据、算法与专业人才等挑战，AI 设计结果仍需结合具体应用环境验证，整体仍处于探索阶段。