Protein Generation
Parent: ai_keywords
核心定义
Protein Generation（蛋白质生成） 指利用人工智能（特别是深度学习）从零开始设计或优化蛋白质的氨基酸序列及三维结构，使其具备预设的生物学功能（如酶催化、配体结合、稳定性等）。与传统定向进化或理性设计不同，AI驱动的生成模型能够探索远超自然蛋白序列空间的潜在新颖蛋白，实现“按需设计”。该技术融合了计算生物学、生成模型（如扩散模型、自回归模型）及干湿实验闭环验证，是合成生物学与精准医疗的关键使能技术。
关键技术点
-
序列生成模型：基于Transformer或扩散模型（如ProteinMPNN、RFdiffusion），学习天然蛋白序列的进化规律与结构约束，生成与天然蛋白相似且具备可折叠性的新序列。其核心在于捕获残基间的长程依赖关系。
-
结构生成与反向折叠：先利用扩散模型生成全新主链结构（如RFdiffusion），再通过“反向折叠”（Inverse Folding）预测对应序列，实现结构与序列的协同设计。AlphaFold等结构预测工具用于评估生成蛋白的可折叠性。
-
功能导向优化：结合强化学习（如ProteinGAN、AbSci）或贝叶斯优化，以生物活性（如结合亲和力、酶活）为奖励函数，迭代优化序列；同时利用零样本突变扫描预测致病性变更，加速功能筛选。
-
条件生成与多模态融合：根据靶点结构、互作界面或进化谱系等条件约束，生成特异性结合蛋白或模拟天然构象伴侣，提升任务的精准度。多模态模型同时整合序列、结构、进化信息及蛋白质语言模型。
医学/神经科学应用场景
帕金森病（PD）中α-突触核蛋白聚集抑制剂的从头设计 针对PD核心病理——α-突触核蛋白（α-Syn）错误折叠形成毒性寡聚体及路易小体，首都医科大学神经病学团队利用基于扩散模型的蛋白质生成技术，以α-Syn单体表面疏水斑片（如NAC区域）为结构约束，设计了一系列具有高亲和力的微型蛋白（约40-60 aa）。这些生成蛋白在细胞模型中能显著抑制α-Syn纤维化并逆转线粒体功能障碍，且因尺寸小、可穿越血脑屏障，为PD的疾病修饰疗法提供了全新先导分子。类似策略还可用于设计LRRK2激酶突变体的特异性多肽抑制剂，或癫痫相关离子通道（如Nav1.2）的调控蛋白，体现了AI蛋白生成在神经退行性疾病精准治疗中的巨大潜力。
