摘要：AI蛋白质设计是2024年诺贝尔化学奖得主David Baker的“王牌领域”，其孵化企业已撬动百亿级产业！2024年12月5日，David Baker 教授团队在国际顶尖学术期刊 Science 上发表了题为：Target-conditioned diffu

生物通

2025年05月22日 12:22广东

AI蛋白质设计是2024年诺贝尔化学奖得主David Baker的“王牌领域”，其孵化企业已撬动百亿级产业！2024年12月5日，David Baker 教授团队在国际顶尖学术期刊 Science 上发表了题为：Target-conditioned diffusion generates potent TNFR supeRFamily antagonists and agonists 的研究论文。研究团队使用他们之前开发的RFdiffusion算法来设计肿瘤坏死因子受体（TNFR）的结合蛋白。研究团队在初始设计生成后使用部分扩散设计出具有低皮摩尔级亲和力的结合蛋白，同时还具有高特异性的优点。这些人工设计的蛋白质可以应用于生物学研究，并可能作为潜在的疾病治疗药物。研究团队表示，为重要的药理学靶点设计高亲和力和高特异性的拮抗剂和激动剂的能力，预示着蛋白质设计时代正在到来，在这个时代，蛋白质结合剂是通过计算而不是通过免疫或随机筛选方法产生的。

2025 年 2 月 13 日，David Baker 团队在 Science 期刊发表了题为：Computational design of serine hydrolases的研究论文。该研究利用 AI 从头设计了具有复杂活性位点的丝氨酸水解酶，这也是首次从头设计一种新的酶，其能够加快一个四步化学反应，该反应对于许多生物和工业过程至关重要，其中包括塑料降解和回收。这项研究是酶工程领域的一个里程碑，表明了我们现在已经可以设计出具有天然活性的酶，而且这些设计的酶甚至能够实际应用。

2025 年 3 月 28 日，诺奖得主、蛋白质设计先驱 David Baker 教授在 Nature Methods 期刊发表了题为：Atomic context-conditioned protein sequence design using LigandMPNN 的研究论文。该研究开发了一种新型深度学习方法——LigandMPNN，该方法明确地对生物分子系统中的所有非蛋白质成分进行了建模，预计 LigandMPNN 将在设计新的结合蛋白、传感器和酶方面得到广泛应用。

蛋白质的从头设计，能够创造出具有新功能的新型蛋白质，例如催化作用、与 DNA、小分子和金属的结合以及蛋白质间的相互作用。在生物信息学领域，传统纯生信研究依赖大量实验，成本高、周期长，限制了研究进展。而随着人工智能技术飞速发展，机器学习算法展现出强大的数据处理与分析能力，为纯生信研究开辟新路径。将机器学习引入纯生信，有望突破实验瓶颈，高效挖掘生物数据价值，助力科研人员更深入理解生命奥秘，在疾病筛查、药物研发等方面发挥关键作用，这一融合趋势成为科研界关注焦点。

来源：营养和医学