氛围基因？自然（或近似自然）语言走进蛋白质和基因组设计软件

# 凭感觉设计基因？自然（或近似自然）语言走进蛋白质和基因组设计软件 来源：https://arstechnica.com/science/2026/10/vibe-genes-naturalish-language-comes-to-protein-genome-design-software/ 现在，你似乎已经可以直接告诉 AI 工具，你想让它们制造什么样的蛋白质了\。 AI 工具大大简化了蛋白质复杂三维结构的变体设计\。图片来源：Historical / Contributor (https://www.gettyimages.com/detail/news-photo/three-dimensional-computer-model-of-a-molecule-of-news-photo/615307388?initiatedfrom=nlsribbon) 蛋白质设计工具或许正变得越来越复杂先进 (https://arstechnica.com/science/2026/10/researchers-use-ai-to-design-proteins-that-cut-up-other-proteins/)，但要让它们发挥作用，你仍然需要深入理解蛋白质结构\。这可能包括了解酶的作用机制，具体到特定氨基酸的位置，以及同样存在于催化反应区域中的水分子\。指定这些条件后，工具就能围绕这个目标构建蛋白质的其余部分\。 然而，一个由中国研究人员组成的大型合作团队决定让蛋白质设计走向大众，开发了一种能接受自然语言提示，并据此生成具备指定功能的蛋白质的工具\。如果你以蛋白质能否正常发挥作用作为成功标准，那么它的成功率可能并不高\。但它们仍然能完成任务\。另外，Hugging Face 在另一则公告中表示，其平台现已托管一种能在 DNA 层面完成类似工作的工具\。 蛋白质设计领域或许已经迎来了相当于“氛围编程”的做法——至少前提是，你有实验室可用，能从几十个失败设计中筛选出成功的设计\。 ## 聚焦功能 目前一些最好的蛋白质设计工具采用两步流程\。首先，你需要指定一组约束条件，例如必须与另一种分子结合，或必须具有某种特定的氨基酸排列\。随后，一个 AI 工具会生成满足这些约束条件的蛋白质形状\。完成后，另一个工具会用特定的氨基酸序列填充这一形状，确保蛋白质折叠成与该形状相符的适当构型\。 显然，这通常需要相当多的专业知识\。例如，如果你在设计一种催化剂，那么你不仅需要知道哪些氨基酸对于促成某种化学反应至关重要，还必须知道它们应该位于三维空间中的哪些位置\。毫不意外，这要求你对蛋白质化学有相当深入的理解，并且能够以蛋白质设计工具所要求的形式表达这种理解\。 问题在于，如果是两位专家相互交流，他们并不需要说得那么具体\。例如，一位说出“丝氨酸蛋白酶”，另一位就会知道这个词在反应机制细节方面隐含了哪些信息\。我们在与 AI 工具交流时之所以需要具体说明，是因为当前这一代工具虽然很擅长处理氨基酸的三维排列，却对这些三维排列所实现的功能颇为无知\。 开发这款名为 Pinal 的新工具的团队认为，情况未必非得如此\。我们拥有包含数百万条蛋白质序列的数据库，其中附有说明这些蛋白质功能的标注\。研究人员推断，只要训练得当，就应该可以使用这些标注中的相同术语，让系统输出一条恰好能实现所需功能的序列\。 ## 蛋白质加语言 在某些层面上，Pinal 的工作方式与标准工具十分相似：先构建蛋白质骨架，再通过一个独立过程补全构成该骨架的氨基酸细节，整个流程分为两步\。但两者存在非常显著的差异，首先就是启动流程时你需要做什么\。 你不必指定设计产物中几个氨基酸的某些细节，只需告诉系统你想要什么\。系统开发者这样描述：“第一阶段由 T2struct 处理，这是一个文本转结构模块，能将自然语言提示转化为结构蓝图\。”T2struct 也不会输出三维形状；它只会生成一个线性标记数组，这些标记对应于每个氨基酸与其最近邻之间的空间关系，并为每个标记赋予一个概率\。 随后，这些信息会被交给一个名为 SAProt\-T 的系统，它结合原始文本和 T2struct 的输出，构建最终蛋白质设计中的氨基酸序列\。在这个阶段，先前生成的概率非常重要，因为 SAProt\-T 会进行全局重新评估\。作者表示，这能避免“忽略概率略低、却能容纳功能优越得多的序列的结构”的风险\。 如何开发一个能够完成这一切的系统？研究人员认定，最好的办法是使用海量数据\。对于每组描述蛋白质功能的标注，他们将其输入大语言模型，让模型给出通俗语言描述，然后将标注和描述一起用于训练\。他们使用了来自三个不同数据库的蛋白质序列，并配以 AlphaFold 预测的结构信息；仅其中一个数据库就包含 8 亿组关键词与蛋白质的配对数据\。 值得注意的是，AlphaFold 的预测并非百分之百准确，因此，如果你想生成与某种较冷门蛋白质相关的产物，这可能会成为问题\。不过，许多常见蛋白质已有可用的结构数据，想必能确保 AlphaFold 的预测有所依据\。 无论如何，显然有足够多的结构数据是正确的，使得训练得以奏效\。 ## 具有功能的蛋白质 为了测试 Pinal，研究人员要求它设计四种差异很大的蛋白质：一种荧光蛋白、两种酶，以及一种参与大型多蛋白复合物的蛋白质\。虽然各个案例的细节略有不同，但流程大体相似；我们以荧光蛋白为例\。 荧光蛋白的经典例子是 GFP，即绿色荧光蛋白，其发现者因此获得了诺贝尔奖\。研究人员要求 Pinal 生成 50,000 种能够像 GFP 一样发出荧光的蛋白质\。随后，他们根据多项标准筛选这份庞大的清单\。首先，研究人员剔除了所有序列看起来像已知荧光蛋白的设计\。但他们保留了具有 GFP 两项关键特征的设计：能够形成桶状结构，以及含有一种可通过化学修饰实现荧光发射的关键氨基酸\。 简而言之，他们希望它总体上有点像 GFP，但具体的氨基酸序列又不能太相似\。经过筛选，他们得到了一份仅含 29 种候选蛋白质的优先名单，并在*大肠杆菌*中制备了所有这些蛋白质\。最终总共只有一种发出了荧光\。 其他所有案例也采用了类似方法：从一份庞大的清单开始，通过计算缩小范围，再测试几十种设计，其中只有少数能够发挥作用\。 人们很容易因为成功率低得惊人而否定这种方法\。但请记住，许多最有可能成功的建议设计会与已知 GFP 蛋白质十分相似，因此遭到剔除\。研究人员甚至没有尝试测试那些无法形成类似 GFP 结构的设计是否可行，所以他们可能仅凭这一点就排除了大量其他类型的荧光蛋白\。 ## 不只是蛋白质 上周还出现了一种非常类似、但专注于 DNA 序列的工具\。AI 公司 Hugging Face、中关村学院和那不勒斯费德里科二世大学合作推出了一款名为 Carbon X (https://huggingface.co/spaces/HuggingFaceBio/Carbon-X-Release) 的开放权重模型，可在本地硬件上运行\。它基于一款名为 Qwen3\-14B 的人类语言模型，但使用 DNA 进行了重新训练，随后又进行了强化学习和监督微调\。 重新训练\(技术术语称为中期训练\)需要谨慎权衡：“较低的学习率能保留英语能力，却让 DNA 能力停留在随机猜测水平；较高的学习率能学会 DNA，却会遗忘英语\。”不过，最终得到的是一个既懂 DNA 又懂英语，并能在两者之间转换的单一模型\。因此，与大型基因组模型 (https://arstechnica.com/science/2026/03/large-genome-model-open-source-ai-trained-on-trillions-of-bases/) 一样，你可以向它输入一段 DNA 序列，它会尝试预测典型基因组中接下来可能出现的序列\。但你也可以混合使用 DNA 和自然语言作为提示，询问诸如“把这个 G 改成 A 会有什么后果？”之类的问题\。 虽然团队尚未发表介绍该系统表现的论文，但内部性能结果表明，它表现相当出色，足以与 GPT\-6\.1 Sol 等大型专用商业模型竞争\。不过，团队也提出了一些注意事项\。该系统不太擅长识别具体位置，尤其是在较长的序列中\。如果提示不够具体，它也容易产生幻觉\。因此，使用 AI 工具时通常应有的谨慎，在这里同样完全适用\。 Hugging Face 指出，即便在商业模型往往表现略好的任务上，Carbon X 也可能是更好的选择，主要有两个原因，而这两个原因都与它能够在本地运行有关\。首先就是成本；该公司的演示视频使用的是一台 MacBook，因此可以在相对便宜的硬件上反复运行\。其次，在许多情况下，出于专有信息保护或隐私方面的原因，人们并不希望将自己的查询内容分享给商业机构\。 ## 用通俗语言表达 人们很容易认为，这降低了生物学的门槛，让任何略懂一点知识的人都能开始制造定制蛋白质和病毒\。这种看法并不完全准确\。他们确实能轻松地从工具中获得*序列*\。但随后，他们很可能需要使用大量专用工具进行筛选，才能找到更有可能发挥功能的序列\。之后还有测试的问题，而这需要设备完善的生物学实验室以及受过训练的专业人员\。 显然，生物学家仍然是不可或缺的一环\。 在许多情况下，这或许能解决实验生物学家长期面临的问题\。在后基因组时代，许多问题最好通过计算机来回答\。但用于回答这些问题的很多工具都是由生物信息学家开发的，而他们并没有特别费心让工具变得易于使用\。许多生物学家都能理解相对接近普通英语的表达，例如“帮我找出所有控制这个基因表达的增强子\。”但知道需要组合哪些工具才能回答这一问题的人要少得多，更不用说知道如何配置这些工具了\。 为这些生物学家提供一种无需查阅多份软件手册就能回答这些问题的工具，有望加快研究进程\。不过，可能还需要几年时间，才能确定生物学家是否觉得这种能力有用\。 《自然》，2025 年\。DOI：10\.1038/s41586\-026\-11205\-z (http://dx.doi.org/10.1038/s41586-026-11205-z)\(关于 DOI (http://arstechnica.com/science/news/2010/03/dois-and-their-discontents-1/)\)\。 John Timmer 的照片 (https://arstechnica.com/author/john-timmer/) John 是 Ars Technica 的科学编辑\。他拥有哥伦比亚大学生物化学文学学士学位，以及加利福尼亚大学伯克利分校分子与细胞生物学博士学位\。当他离开键盘时，通常会找辆自行车骑一骑，或者去风景优美的地方，穿着登山靴亲近自然\。 18 条评论 (https://arstechnica.com/science/2026/10/vibe-genes-naturalish-language-comes-to-protein-genome-design-software/#comments) 1. “阅读最多”栏目首篇报道的列表图片：微软向四分之一员工提供自愿离职补偿方案 (https://arstechnica.com/gadgets/2026/10/microsoft-offers-voluntary-buyouts-to-60000-employees/)