中國團隊推出自然語言蛋白質設計工具
中國一個大型研究合作團隊開發出可用自然語言提示設計蛋白質的工具，能按使用者指定的功能生成蛋白質。該工具成功率可能不高，但仍能產出可用設計，前提是有實驗室從數十個失敗設計中篩選出合格者。另一項公告中，Hugging Face 表示已託管一個在 DNA 層面做類似設計的工具。
把自然語言提示引入蛋白質與 DNA 設計，降低了專業結構知識門檻，同時暴露出成功率有限、依賴實驗室篩選的現實，對蛋白質工程與合成生物學研究者最有參考價值。
原標題：Vibe genes? Natural(ish) language comes to protein, genome design software
閱讀原文
| 評分 | 66 / 70（平均 68，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
AI 設計蛋白酶：只留催化核心，可定向切割特定蛋白
研究者用 AI 蛋白設計工具，只保留兩類蛋白酶的催化核心、替換其餘全部結構，得到能把特定蛋白定向切成兩半的人工酶。天然肽鍵極為穩定，估計半衰期長達數百年，生物靠演化出的多種蛋白酶來催化其斷裂，這項工作是跳過自然演化過程直接重設計酶。團隊用它們切割與神經疾病相關的蛋白，驗證了有效性。
大衛·貝克團隊提出文字條件化蛋白質生成模型 Prompteina
華盛頓大學大衛·貝克團隊聯合新加坡國立大學提出文字條件化全原子蛋白質結構生成模型 Prompteina，用自然語言提示即可指定蛋白質的結構與功能特性。團隊同時建置了含 180 萬個結構、超 5000 萬條說明文字的 Prompteina-Data 資料集。在 18 項結構特性基準中 Prompteina 有 15 項領先基線，智慧體引導的結合體設計介面置信度比最強基線提高 14%；針對此前無已報導從頭設計結合體的 GM2A，90 個測試設計中有 9 個產生結合體。
Claude 64 小時生成 31.8 萬種蛋白設計，17 種通過實驗驗證
Anthropic 公布：Claude 在 64 小時內生成 318484 種微型結合蛋白設計，針對 5 種蠍毒神經毒素，最終 17 個在實驗室達到結合標準。團隊從這批設計中挑出 211 個，交由 Adaptyv Bio 與 Twist Bioscience 驗證；其中 7 個結合 Cn2，兩個候選的解離常數達個位數納摩爾，但尚未驗證中和毒素或動物體內保護。
DeepMind 與 Biohub 對談：AlphaFold 沒解決蛋白質摺疊
Google DeepMind 的 Pushmeet Kohli 與 Biohub 的 Sal Candido 在對談中表示，AlphaFold 的突破只是開始，蛋白質摺疊問題遠未解決。兩人認為僅擴大算力與資料不足以解決生物學問題，關鍵是先找到合適的 scaling law，低品質宏基因組資料也能提升蛋白質語言模型；建置虛擬細胞需要根本不同的資料集，研究須從單個蛋白質走向整個生物系統，治癒所有疾病要靠 10x 級突破而非漸進改進。
分子之心 MMDesign 19 專案 18 命中，6 個 GPCR 靶點全成功
分子之心發布 MMDesign 技術報告：19 個蛋白質從頭設計專案中 18 個獲實驗確認結合分子，成功率達 94.7%，6 個 GPCR 靶點全部命中。每個專案僅測試 9-50 個候選（中位數 21 個），453 個受測候選中有 139 個確認結合，整體候選命中率 30.7%；六個 GPCR 最優親和力均達納摩爾級，GPR68 最優 KD 低至 12.1 納摩爾，NK3R 的 30 個候選全部命中。