生成式AI蛋白质设计2026年跨越零样本门槛
零样本蛋白质设计实现100%成功率，亲和力较物理方法提升10000倍，AI设计抗CRISPR蛋白仅用8周——该领域已从研究探索迈入工程化阶段，可预测的时间线与量化的成功率正在改写药物发现范式。
生成式AI蛋白质设计2026年跨越零样本门槛
要点速览： 三篇在两周内相继发表的 Nature 系列论文证明，生成式AI已经能够从零开始设计功能性蛋白质——药物结合蛋白达到100%成功率，亲和力较物理方法提升10000倍，从头设计抗CRISPR抑制剂仅需8周。这一趋同信号表明该领域已从研究探索跨越到工程化阶段。
摘要
生成式AI蛋白质设计已经到达了一个转折点，而结构生物学界之外鲜有人注意到这一点。2026年6月底至7月初，三篇里程碑式论文——分别发表于 Nature、Nature Chemical Biology 和 npj Drug Discovery——共同证明，计算蛋白质设计不再是概念验证阶段的尝试，它正在成为一门具有可量化时间线和成功率的工程学科。
发表于 Nature 的 NISE（神经迭代选择-扩展）框架，在设计 exatecan 结合蛋白时达到100%成功率，设计 apixaban 结合蛋白时达到83%成功率，最优设计的亲和力达到纳摩尔至皮摩尔级别——对 exatecan 比领先的传统物理方法高70倍，对 apixaban 高出近10000倍。与此同时，莫纳什大学和墨尔本大学的研究人员使用 RFdiffusion 和 ProteinMPNN 仅用8周就设计出了靶向 Cas13a 的抗CRISPR蛋白，产生的抑制剂具有低纳摩尔级 IC50 值，且在细菌和人类细胞中均能发挥作用。此外，npj Drug Discovery 上的一篇综合综述将自回归、扩散和 Transformer 架构系统地映射到蛋白质设计约束类型上，为该领域从零散实验走向系统性方法选择提供了分类框架。
这些并非孤立成果。综合来看，它们揭示了一个模式：零样本设计首次尝试即成功，时间线从数年压缩至数周，亲和力提升以数量级衡量而非渐进百分比。蛋白质设计领域已悄然跨越一道门槛。
背景
计算设计蛋白质的理念并不新鲜。20多年来，Rosetta 软件套件开创了基于物理的蛋白质设计，利用能量函数评估和优化候选结构。该方法产出了重要成果——包括从头设计的酶和微型蛋白——但存在典型局限：成功率低（通常为个位数百分比）、需要大量实验迭代，以及依赖专家直觉在庞大的序列-结构空间中导航。
转变始于深度学习。AlphaFold2 在2020年解决了蛋白质结构预测问题，证明神经网络可以以原子级精度建模蛋白质折叠。这打开了一扇概念之门：如果网络可以从序列预测结构，它们是否也能为特定功能生成序列和结构？
到2023-2024年，基于扩散的蛋白质设计模型（RFdiffusion、Chroma、FoldFlow）和蛋白质语言模型（ESM-2、ProGen2）开始大规模产出合理的蛋白质结构。但”合理”与”功能可用”是不同的标准。该领域需要证明AI设计的蛋白质能通过最严苛的测试：在首次计算尝试中、无需实验优化的情况下，以高亲和力和选择性结合特定小分子。
这正是2026年成果所交付的。
分析
零样本药物结合：NISE 框架
NISE 框架由丹娜-法伯癌症研究所和华盛顿大学的研究人员开发，是迄今为止最令人信服的证明，表明生成式AI可以在没有任何实验反馈回路的情况下设计功能性蛋白质。
工作原理。 NISE 在两个神经网络之间迭代：LASErMPNN 根据蛋白质骨架和配体提出氨基酸序列，RoseTTAFold All-Atom (RFAA) 评估所提出的序列是否折叠成与目标配体兼容的结构。这种闭环迭代——提出和评估——持续进行，直到序列-结构-配体兼容性收敛。关键在于，NISE 用神经预测器取代了 Rosetta 所使用的基于物理的能量函数，该预测器直接从序列和配体标识建模3D蛋白质-配体复合物。
达成成果。 对于化疗药物 exatecan，4个 NISE 设计全部结合了该药物（100%成功率）。亲和力最高的设计命名为 EPIC，Kd 值为 0.12 µM——比人血清白蛋白（Kd = 43 µM）紧约360倍，比最佳物理方法设计（Kd = 8 µM）紧70倍。两个预测突变将 EPIC 的亲和力提升了100倍以上，Kd 达到 1.2 nM。对于抗凝血药 apixaban，6个设计中有5个结合了目标（83%成功率）。最优设计 APEX 的 Kd 为 80 ± 40 皮摩尔——这是仅通过计算设计获得的亲和力最高的药物结合蛋白，比次优方法高出近10000倍。
为何重要。 传统计算蛋白质设计需要多轮实验测试和优化。每轮耗时数周至数月。NISE 的零样本成功意味着，计算设计首次达到了可以直接进入表征阶段的质量。当 EPIC 和 APEX 在大肠杆菌中表达时，它们正确折叠、保持单体状态，并在未经任何优化的情况下结合了各自目标。晶体结构与计算预测吻合，分辨率达 1.9-2.2 Å。
实际影响是立竿见影的：丹娜-法伯已在探索将 EPIC 作为潜在的解毒剂，用于捕获和中和癌症患者体内的 exatecan，以及将 APEX 作为 apixaban 抗凝的逆转剂——这些应用如果使用传统方法，需要数年的定向进化才能实现。
AI设计的抗CRISPR蛋白：8周内造出安全开关
NISE 展示了迭代神经设计在小分子结合方面的威力，而发表于 Nature Chemical Biology 的抗CRISPR研究表明，生成式AI也能解决基因治疗中一个关键的未满足需求：CRISPR 系统的关闭开关。
问题所在。 CRISPR-Cas13a 是一种靶向 RNA 的效应蛋白，对病毒感染和遗传疾病具有治疗潜力。但 Cas13a 缺乏经过验证的天然抑制剂（抗CRISPR蛋白）。经过10余年的研究，所有 CRISPR-Cas 类型中仅有118个经实验验证的抗CRISPR蛋白——但没有一个靶向 Cas13a。没有关闭开关，基于 Cas13a 的疗法面临不受控制的 RNA 切割风险。
AI解决方案。 莫纳什大学和墨尔本大学的研究人员使用 RFdiffusion 进行无条件蛋白质生成，使用 ProteinMPNN 进行逆折叠，计算设计了靶向 LbuCas13a 的 HEPN 核酸酶结构域的候选抑制剂。整个流程——从靶标选择到命中和先导化合物鉴定——仅用了8周。
实验结果。 3个 AIcr（AI设计的抗CRISPR蛋白），命名为 AIcrVIA1-AIcrVIA3，展示了对 Cas13a 核酸酶活性的强效且特异性抑制。3个设计的 IC50 值均处于低纳摩尔范围。圆二色谱确认纯化蛋白采用了与计算设计一致的二级结构。关键是，AIcr 在细菌和人类细胞中均能发挥作用——不仅仅是在体外。
时间线为何重要。 传统抗CRISPR蛋白发现需要筛选环境样本、噬菌体基因组或宏基因组数据库——这一过程可能耗时数年且往往一无所获。8周的时间线反映了一个根本性转变：当设计空间可以通过计算而非生物学方式搜索时，瓶颈从发现转移到了验证。这与 NISE 在药物结合蛋白上代表的转变相同。
架构图谱：生成式AI遇上蛋白质约束
npj Drug Discovery 的综述提供了拼图的第三块：将生成式AI架构系统地映射到蛋白质设计约束类型。这种分类框架将一个领域从”什么都试、看什么管用”转变为”为问题选择正确的工具”。
分类体系。 该综述沿两个维度组织该领域：
-
架构类型： 自回归模型（逐 token 生成序列，类似语言模型）、扩散模型（将含噪结构迭代精炼为有效蛋白质）和基于 Transformer 的模型（通过注意力机制学习全局序列-结构关系）。
-
约束类型： 序列约束（如特定氨基酸模体）、结构约束（如折叠拓扑、结合位点几何形状）和功能约束（如结合亲和力、酶活性、稳定性）。
关键映射洞察：
- 自回归模型（如 ProGen2、ESM-IF）擅长具有隐式结构约束的序列级生成——适合设计采用已知折叠类型的序列。
- 扩散模型（如 RFdiffusion、Chroma）在设计需要显式结构控制时占主导——指定骨架几何形状、结合口袋形状或界面拓扑。
- Transformer 架构作为两者的骨干：它们提供使长程残基交互成为可能的注意力机制，以及蛋白质语言建模所需的规模。
综述还识别了一个趋同趋势：最强大的系统（NISE 是典型例子）在闭环中组合多种架构。LASErMPNN 是用于序列生成的自回归模型；RFAA 是基于 Transformer 的结构预测器；它们的迭代创造了类似扩散的精炼过程，而无需使用正式的扩散框架。
关键数据
| 指标 | 数值 | 来源 | 日期 |
|---|---|---|---|
| NISE exatecan 结合蛋白成功率 | 100%（4/4 设计） | Nature (s41586-026-10670-w) | 2026-06 |
| NISE apixaban 结合蛋白成功率 | 83%（5/6 设计） | Nature (s41586-026-10670-w) | 2026-06 |
| EPIC Kd（exatecan） | 0.12 µM 初始；2次突变后 1.2 nM | Nature (s41586-026-10670-w) | 2026-06 |
| APEX Kd（apixaban） | 80 ± 40 pM | Nature (s41586-026-10670-w) | 2026-06 |
| NISE 较 Rosetta 亲和力提升（exatecan） | 70倍 | Nature (s41586-026-10670-w) | 2026-06 |
| NISE 较 Rosetta 亲和力提升（apixaban） | ~10000倍 | Nature (s41586-026-10670-w) | 2026-06 |
| AIcr 设计时间线（Cas13a） | 8周 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| AIcr IC50 值 | 低纳摩尔级 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| 经验证的天然抗CRISPR蛋白（所有类型） | 118 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| 靶向 Cas13a 的天然抗CRISPR蛋白 | 0 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| VirtualCRISPR 筛选基因 | 19000+ | bioRxiv (2026.02.26.708368) | 2026-02 |
🔺 独家情报：他人遗漏的关键洞察
置信度： 高 | 新颖度评分： 80/100
大多数报道将这三篇论文视为蛋白质设计中各自独立的进展。真正的信号在于趋同性：NISE 通过用神经预测器替代基于物理的能量函数实现了零样本成功——这正是促成 AlphaFold2 突破的同一架构原则。为抗CRISPR研究提供动力的 RFdiffusion，其骨干与支撑 NISE 中 RFAA 评估器的 RoseTTAFold 家族共享。这并非三种独立的方法；它们是同一技术范式——闭环神经蛋白质设计——在不同问题类别上同时走向成熟的表现。8周的抗CRISPR时间线和 NISE 的100%首次尝试成功率反映的是同一种底层能力：设计空间已从数十年的湿实验室迭代压缩为数小时的 GPU 计算。传统药物先导化合物优化通常需要2-5年和数百个候选物才能达到纳摩尔亲和力；NISE 仅从4个计算设计就产出了皮摩尔级结合蛋白。
关键启示： 仍在为基于蛋白质的治疗设计分配多年时间线和100万美元湿实验室预算的药物发现团队，正在沿用过时的模式——计算优先范式现在能在数周而非数年内交付经过验证的皮摩尔级亲和力候选物。
展望
短期（3-6个月）
制药企业将开始将类似 NISE 的闭环神经设计整合到其先导化合物发现流程中。预计到2026年第四季度至少有两家大型药企与学术蛋白质设计实验室宣布合作。抗CRISPR研究将引发一波针对 Cas9、Cas12 和碱基编辑器的类似尝试——基因治疗安全开关的未满足需求太大，不容忽视。VirtualCRISPR 筛选方法（从19000多个基因中识别出 ALOX5 和 OXTR 作为新的银屑病靶点）将被应用于已有全基因组 CRISPR 筛选数据但靶点优先排序仍是瓶颈的其他炎症和肿瘤适应症。
中期（6-18个月）
自回归、扩散和 Transformer 架构向统一设计闭环的融合将加速。预计至少出现一个提供零样本蛋白质设计即服务的商业平台，类似于 AlphaFold Server 对结构预测的普及。关键推动因素将是 npj Drug Discovery 综述中的架构分类体系：一旦方法-约束映射标准化，即使是非专业团队也能为其设计问题选择正确的计算流程。NISE 设计的结合蛋白（用于 exatecan 捕获的 EPIC、用于 apixaban 逆转的 APEX）的临床转化将推进至临床前动物研究。
长期（18个月以上）
最具深远影响的可能不在治疗领域，而在工业生物技术。以零样本可靠性指定结合亲和力、选择性和稳定性的生成式蛋白质设计，为设计化学合成用酶、环境监测用生物传感器和具有工程力学性能的蛋白质基材料打开了大门——所有这些都无需历史上制约该领域的迭代式湿实验室优化。问题不再是”AI能否设计功能性蛋白质？“而是”AI不能设计什么功能性蛋白质？“——而例外清单正在快速缩减。
相关报道
- MCP 2026：协议走向成熟——但生产现实反击 — AI工具协议如何在生产环境中扩展
- OpenAI Jalapeno：宣告AI推理成本战的自研芯片 — 为蛋白质设计模型背后的计算基础设施定制芯片
- 中国下令人形机器人进工厂：6个月倒计时 — 国家主导的AI规模化部署
来源
- Zero-shot design of drug-binding proteins via neural iterative selection-expansion — Nature, 2026
- De novo design of potent CRISPR–Cas13 inhibitors — Nature Chemical Biology, 2026
- Generative AI for controllable protein sequence design: A survey — npj Drug Discovery, 2026
- AI-Guided CRISPR Screen Accelerates Discovery of New Drug Targets — bioRxiv, 2026
- Dana-Farber Uses AI to Design Proteins That Could Make Cancer Drugs Safer and More Precise — 丹娜-法伯癌症研究所, 2026
- AI-Designed Anti-CRISPRs Enable Rapid Cas13 Inhibition — Genetic Engineering & Biotechnology News, 2026
生成式AI蛋白质设计2026年跨越零样本门槛
零样本蛋白质设计实现100%成功率，亲和力较物理方法提升10000倍，AI设计抗CRISPR蛋白仅用8周——该领域已从研究探索迈入工程化阶段，可预测的时间线与量化的成功率正在改写药物发现范式。
生成式AI蛋白质设计2026年跨越零样本门槛
要点速览： 三篇在两周内相继发表的 Nature 系列论文证明，生成式AI已经能够从零开始设计功能性蛋白质——药物结合蛋白达到100%成功率，亲和力较物理方法提升10000倍，从头设计抗CRISPR抑制剂仅需8周。这一趋同信号表明该领域已从研究探索跨越到工程化阶段。
摘要
生成式AI蛋白质设计已经到达了一个转折点，而结构生物学界之外鲜有人注意到这一点。2026年6月底至7月初，三篇里程碑式论文——分别发表于 Nature、Nature Chemical Biology 和 npj Drug Discovery——共同证明，计算蛋白质设计不再是概念验证阶段的尝试，它正在成为一门具有可量化时间线和成功率的工程学科。
发表于 Nature 的 NISE（神经迭代选择-扩展）框架，在设计 exatecan 结合蛋白时达到100%成功率，设计 apixaban 结合蛋白时达到83%成功率，最优设计的亲和力达到纳摩尔至皮摩尔级别——对 exatecan 比领先的传统物理方法高70倍，对 apixaban 高出近10000倍。与此同时，莫纳什大学和墨尔本大学的研究人员使用 RFdiffusion 和 ProteinMPNN 仅用8周就设计出了靶向 Cas13a 的抗CRISPR蛋白，产生的抑制剂具有低纳摩尔级 IC50 值，且在细菌和人类细胞中均能发挥作用。此外，npj Drug Discovery 上的一篇综合综述将自回归、扩散和 Transformer 架构系统地映射到蛋白质设计约束类型上，为该领域从零散实验走向系统性方法选择提供了分类框架。
这些并非孤立成果。综合来看，它们揭示了一个模式：零样本设计首次尝试即成功，时间线从数年压缩至数周，亲和力提升以数量级衡量而非渐进百分比。蛋白质设计领域已悄然跨越一道门槛。
背景
计算设计蛋白质的理念并不新鲜。20多年来，Rosetta 软件套件开创了基于物理的蛋白质设计，利用能量函数评估和优化候选结构。该方法产出了重要成果——包括从头设计的酶和微型蛋白——但存在典型局限：成功率低（通常为个位数百分比）、需要大量实验迭代，以及依赖专家直觉在庞大的序列-结构空间中导航。
转变始于深度学习。AlphaFold2 在2020年解决了蛋白质结构预测问题，证明神经网络可以以原子级精度建模蛋白质折叠。这打开了一扇概念之门：如果网络可以从序列预测结构，它们是否也能为特定功能生成序列和结构？
到2023-2024年，基于扩散的蛋白质设计模型（RFdiffusion、Chroma、FoldFlow）和蛋白质语言模型（ESM-2、ProGen2）开始大规模产出合理的蛋白质结构。但”合理”与”功能可用”是不同的标准。该领域需要证明AI设计的蛋白质能通过最严苛的测试：在首次计算尝试中、无需实验优化的情况下，以高亲和力和选择性结合特定小分子。
这正是2026年成果所交付的。
分析
零样本药物结合：NISE 框架
NISE 框架由丹娜-法伯癌症研究所和华盛顿大学的研究人员开发，是迄今为止最令人信服的证明，表明生成式AI可以在没有任何实验反馈回路的情况下设计功能性蛋白质。
工作原理。 NISE 在两个神经网络之间迭代：LASErMPNN 根据蛋白质骨架和配体提出氨基酸序列，RoseTTAFold All-Atom (RFAA) 评估所提出的序列是否折叠成与目标配体兼容的结构。这种闭环迭代——提出和评估——持续进行，直到序列-结构-配体兼容性收敛。关键在于，NISE 用神经预测器取代了 Rosetta 所使用的基于物理的能量函数，该预测器直接从序列和配体标识建模3D蛋白质-配体复合物。
达成成果。 对于化疗药物 exatecan，4个 NISE 设计全部结合了该药物（100%成功率）。亲和力最高的设计命名为 EPIC，Kd 值为 0.12 µM——比人血清白蛋白（Kd = 43 µM）紧约360倍，比最佳物理方法设计（Kd = 8 µM）紧70倍。两个预测突变将 EPIC 的亲和力提升了100倍以上，Kd 达到 1.2 nM。对于抗凝血药 apixaban，6个设计中有5个结合了目标（83%成功率）。最优设计 APEX 的 Kd 为 80 ± 40 皮摩尔——这是仅通过计算设计获得的亲和力最高的药物结合蛋白，比次优方法高出近10000倍。
为何重要。 传统计算蛋白质设计需要多轮实验测试和优化。每轮耗时数周至数月。NISE 的零样本成功意味着，计算设计首次达到了可以直接进入表征阶段的质量。当 EPIC 和 APEX 在大肠杆菌中表达时，它们正确折叠、保持单体状态，并在未经任何优化的情况下结合了各自目标。晶体结构与计算预测吻合，分辨率达 1.9-2.2 Å。
实际影响是立竿见影的：丹娜-法伯已在探索将 EPIC 作为潜在的解毒剂，用于捕获和中和癌症患者体内的 exatecan，以及将 APEX 作为 apixaban 抗凝的逆转剂——这些应用如果使用传统方法，需要数年的定向进化才能实现。
AI设计的抗CRISPR蛋白：8周内造出安全开关
NISE 展示了迭代神经设计在小分子结合方面的威力，而发表于 Nature Chemical Biology 的抗CRISPR研究表明，生成式AI也能解决基因治疗中一个关键的未满足需求：CRISPR 系统的关闭开关。
问题所在。 CRISPR-Cas13a 是一种靶向 RNA 的效应蛋白，对病毒感染和遗传疾病具有治疗潜力。但 Cas13a 缺乏经过验证的天然抑制剂（抗CRISPR蛋白）。经过10余年的研究，所有 CRISPR-Cas 类型中仅有118个经实验验证的抗CRISPR蛋白——但没有一个靶向 Cas13a。没有关闭开关，基于 Cas13a 的疗法面临不受控制的 RNA 切割风险。
AI解决方案。 莫纳什大学和墨尔本大学的研究人员使用 RFdiffusion 进行无条件蛋白质生成，使用 ProteinMPNN 进行逆折叠，计算设计了靶向 LbuCas13a 的 HEPN 核酸酶结构域的候选抑制剂。整个流程——从靶标选择到命中和先导化合物鉴定——仅用了8周。
实验结果。 3个 AIcr（AI设计的抗CRISPR蛋白），命名为 AIcrVIA1-AIcrVIA3，展示了对 Cas13a 核酸酶活性的强效且特异性抑制。3个设计的 IC50 值均处于低纳摩尔范围。圆二色谱确认纯化蛋白采用了与计算设计一致的二级结构。关键是，AIcr 在细菌和人类细胞中均能发挥作用——不仅仅是在体外。
时间线为何重要。 传统抗CRISPR蛋白发现需要筛选环境样本、噬菌体基因组或宏基因组数据库——这一过程可能耗时数年且往往一无所获。8周的时间线反映了一个根本性转变：当设计空间可以通过计算而非生物学方式搜索时，瓶颈从发现转移到了验证。这与 NISE 在药物结合蛋白上代表的转变相同。
架构图谱：生成式AI遇上蛋白质约束
npj Drug Discovery 的综述提供了拼图的第三块：将生成式AI架构系统地映射到蛋白质设计约束类型。这种分类框架将一个领域从”什么都试、看什么管用”转变为”为问题选择正确的工具”。
分类体系。 该综述沿两个维度组织该领域：
-
架构类型： 自回归模型（逐 token 生成序列，类似语言模型）、扩散模型（将含噪结构迭代精炼为有效蛋白质）和基于 Transformer 的模型（通过注意力机制学习全局序列-结构关系）。
-
约束类型： 序列约束（如特定氨基酸模体）、结构约束（如折叠拓扑、结合位点几何形状）和功能约束（如结合亲和力、酶活性、稳定性）。
关键映射洞察：
- 自回归模型（如 ProGen2、ESM-IF）擅长具有隐式结构约束的序列级生成——适合设计采用已知折叠类型的序列。
- 扩散模型（如 RFdiffusion、Chroma）在设计需要显式结构控制时占主导——指定骨架几何形状、结合口袋形状或界面拓扑。
- Transformer 架构作为两者的骨干：它们提供使长程残基交互成为可能的注意力机制，以及蛋白质语言建模所需的规模。
综述还识别了一个趋同趋势：最强大的系统（NISE 是典型例子）在闭环中组合多种架构。LASErMPNN 是用于序列生成的自回归模型；RFAA 是基于 Transformer 的结构预测器；它们的迭代创造了类似扩散的精炼过程，而无需使用正式的扩散框架。
关键数据
| 指标 | 数值 | 来源 | 日期 |
|---|---|---|---|
| NISE exatecan 结合蛋白成功率 | 100%（4/4 设计） | Nature (s41586-026-10670-w) | 2026-06 |
| NISE apixaban 结合蛋白成功率 | 83%（5/6 设计） | Nature (s41586-026-10670-w) | 2026-06 |
| EPIC Kd（exatecan） | 0.12 µM 初始；2次突变后 1.2 nM | Nature (s41586-026-10670-w) | 2026-06 |
| APEX Kd（apixaban） | 80 ± 40 pM | Nature (s41586-026-10670-w) | 2026-06 |
| NISE 较 Rosetta 亲和力提升（exatecan） | 70倍 | Nature (s41586-026-10670-w) | 2026-06 |
| NISE 较 Rosetta 亲和力提升（apixaban） | ~10000倍 | Nature (s41586-026-10670-w) | 2026-06 |
| AIcr 设计时间线（Cas13a） | 8周 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| AIcr IC50 值 | 低纳摩尔级 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| 经验证的天然抗CRISPR蛋白（所有类型） | 118 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| 靶向 Cas13a 的天然抗CRISPR蛋白 | 0 | Nature Chemical Biology (s41589-025-02136-3) | 2026-01 |
| VirtualCRISPR 筛选基因 | 19000+ | bioRxiv (2026.02.26.708368) | 2026-02 |
🔺 独家情报：他人遗漏的关键洞察
置信度： 高 | 新颖度评分： 80/100
大多数报道将这三篇论文视为蛋白质设计中各自独立的进展。真正的信号在于趋同性：NISE 通过用神经预测器替代基于物理的能量函数实现了零样本成功——这正是促成 AlphaFold2 突破的同一架构原则。为抗CRISPR研究提供动力的 RFdiffusion，其骨干与支撑 NISE 中 RFAA 评估器的 RoseTTAFold 家族共享。这并非三种独立的方法；它们是同一技术范式——闭环神经蛋白质设计——在不同问题类别上同时走向成熟的表现。8周的抗CRISPR时间线和 NISE 的100%首次尝试成功率反映的是同一种底层能力：设计空间已从数十年的湿实验室迭代压缩为数小时的 GPU 计算。传统药物先导化合物优化通常需要2-5年和数百个候选物才能达到纳摩尔亲和力；NISE 仅从4个计算设计就产出了皮摩尔级结合蛋白。
关键启示： 仍在为基于蛋白质的治疗设计分配多年时间线和100万美元湿实验室预算的药物发现团队，正在沿用过时的模式——计算优先范式现在能在数周而非数年内交付经过验证的皮摩尔级亲和力候选物。
展望
短期（3-6个月）
制药企业将开始将类似 NISE 的闭环神经设计整合到其先导化合物发现流程中。预计到2026年第四季度至少有两家大型药企与学术蛋白质设计实验室宣布合作。抗CRISPR研究将引发一波针对 Cas9、Cas12 和碱基编辑器的类似尝试——基因治疗安全开关的未满足需求太大，不容忽视。VirtualCRISPR 筛选方法（从19000多个基因中识别出 ALOX5 和 OXTR 作为新的银屑病靶点）将被应用于已有全基因组 CRISPR 筛选数据但靶点优先排序仍是瓶颈的其他炎症和肿瘤适应症。
中期（6-18个月）
自回归、扩散和 Transformer 架构向统一设计闭环的融合将加速。预计至少出现一个提供零样本蛋白质设计即服务的商业平台，类似于 AlphaFold Server 对结构预测的普及。关键推动因素将是 npj Drug Discovery 综述中的架构分类体系：一旦方法-约束映射标准化，即使是非专业团队也能为其设计问题选择正确的计算流程。NISE 设计的结合蛋白（用于 exatecan 捕获的 EPIC、用于 apixaban 逆转的 APEX）的临床转化将推进至临床前动物研究。
长期（18个月以上）
最具深远影响的可能不在治疗领域，而在工业生物技术。以零样本可靠性指定结合亲和力、选择性和稳定性的生成式蛋白质设计，为设计化学合成用酶、环境监测用生物传感器和具有工程力学性能的蛋白质基材料打开了大门——所有这些都无需历史上制约该领域的迭代式湿实验室优化。问题不再是”AI能否设计功能性蛋白质？“而是”AI不能设计什么功能性蛋白质？“——而例外清单正在快速缩减。
相关报道
- MCP 2026：协议走向成熟——但生产现实反击 — AI工具协议如何在生产环境中扩展
- OpenAI Jalapeno：宣告AI推理成本战的自研芯片 — 为蛋白质设计模型背后的计算基础设施定制芯片
- 中国下令人形机器人进工厂：6个月倒计时 — 国家主导的AI规模化部署
来源
- Zero-shot design of drug-binding proteins via neural iterative selection-expansion — Nature, 2026
- De novo design of potent CRISPR–Cas13 inhibitors — Nature Chemical Biology, 2026
- Generative AI for controllable protein sequence design: A survey — npj Drug Discovery, 2026
- AI-Guided CRISPR Screen Accelerates Discovery of New Drug Targets — bioRxiv, 2026
- Dana-Farber Uses AI to Design Proteins That Could Make Cancer Drugs Safer and More Precise — 丹娜-法伯癌症研究所, 2026
- AI-Designed Anti-CRISPRs Enable Rapid Cas13 Inhibition — Genetic Engineering & Biotechnology News, 2026
相关情报
DeepMind 子公司人工智能设计药物进入人体临床试验，验证药物发现平台可行性
DeepMind 生物科技子公司 Isomorphic Labs 准备启动人工智能设计药物的人体临床试验，采用 AlphaFold 技术设计分子。三期临床结果将决定人工智能设计的药物分子能否实现大规模有效治疗，验证药物发现平台的商业可行性。
Isomorphic Labs 启动人工智能设计药物的人体临床试验
Isomorphic Labs 启动首批人工智能设计药物的人体临床试验，核心依托 AlphaFold 蛋白质预测技术。这一里程碑验证了人工智能优先药物发现模式的可行性，有望将传统药物研发成本降低 70%，并大幅缩短开发周期。
AI 药物发现：高采纳组织湿干实验室整合率达到两倍差距
分析显示高 AI 采纳组织湿干实验室整合率达到百分之三十，而低采纳组织仅为百分之十八，揭示决定 AI 药物发现成功的组织能力差距。