AI正在重新设计生命，David Baker要用蛋白质造计算机和分子机器
诺奖得主 David Baker 因从头蛋白质设计的开创性贡献获伦敦皇家学会克鲁恩奖章，并在获奖演讲中回顾过去一两年的工作。他称 AI 辅助蛋白质设计已让结合靶点接近解决，团队转向设计只在特定条件下启动的开关蛋白，并提到新一代模型 RFD4 生成的结构许多从第一轮起就有活性。
#酶设计
DeepTech深科技AI 评分5858
BioTender精选AI 评分6060 David Baker 皇家学会 Croonian 演讲：AI 蛋白质设计从结合走向执行功能
2026 年 11 月 3 日，David Baker 在伦敦皇家学会发表 Croonian 奖项演讲，以“Advances in computational protein design”为题展示团队及合作者近一两年在结合蛋白、条件响应开关、从头酶和蛋白质材料方面的进展。
推荐理由：以一场奖项演讲为线索，串联结合蛋白、条件开关与从头酶的多项进展，呈现蛋白质设计从识别走向执行功能的路径。
New Market PitchAI 评分2222 2025年AI蛋白质设计初创公司营收排名：Ginkgo Bioworks、晶泰科技、Generate Biomedicines居前
Ginkgo Bioworks以2025年1.33亿美元细胞工程业务收入居AI蛋白质设计初创公司营收榜首，晶泰科技以约1.12亿美元合并营收次之，Generate Biomedicines以3190万美元合作收入第三。
AI-Protein DesignAI 评分3434 AI蛋白质设计在神经退行性疾病领域的进展如何？
针对阿尔茨海默病、ALS等神经退行性疾病，现有7项AI蛋白质设计研究覆盖金属蛋白酶降解Aβ与TDP43、靶向FUS/Amylin/Aβ/Tau/TDP43的binder设计及病理修饰检测，多数由David Baker团队完成。金属蛋白酶研究仅完成体外实验，细胞与动物验证仍是挑战；靶向无序蛋白的binder设计曾尝试polyQ但失败。整体研究数量不多，尚无AI设计蛋白药物进入AD治疗。
Kevin K. YangAI 评分3838 模型从序列生成酶反应机制
一个模型，能从酶的序列、催化残基、底物和辅因子生成其反应机制。 @arianemora_
下一分子AI 评分3232 AI制药日报｜2026-10-28
David Baker团队与苏黎世联邦理工学院等合作在Nature发表从头设计半胱氨酸蛋白酶研究，用RFD2-MI、ProteinMPNN和AlphaFold 3从Ulp1最小催化基序出发设计，69个实验设计中有13个出现肽键切割活性。
下一分子精选AI 评分6060 Anthropic递交S-1冲刺纳斯达克
Anthropic于10月26日向美国SEC公开递交S-1注册文件，拟在纳斯达克上市，股票代码ANT，招股书把生物学和医学列为AI最有望改善人类生活的四大方向之首。
推荐理由：梳理Anthropic招股书中的生命科学布局，并区分客户覆盖与AI制药收入、早期发现与药物候选。
智药邦AI 评分7878 英伟达与David Baker团队联合发布蛋白质设计模型RFD4-Proteina
NVIDIA与华盛顿大学医学院蛋白质设计研究所联合发布开源模型RFD4-Proteina，归属NVIDIA BioNeMo，兼具可编程蛋白质设计与搜索能力，可基于分子输入、约束条件和评分目标检索并优化设计方案。
AI-Protein DesignAI 评分7878 《Nature》发表AI从头设计对映选择性人工金属光酶
《Nature》刊出研究De novo design of enantioselective artificial metalloenzyme photocatalysts，团队用RFdiffusion All-Atom生成结合Ru(bpy)₃²⁺类辅因子的蛋白骨架、LigandMPNN设计序列并以AlphaFold2校验，96个设计序列中63个可溶性表达。
BioArt精选AI 评分8282 2篇Nature | David Baker团队从头设计半胱氨酸蛋白酶和金属蛋白酶
华盛顿大学David Baker团队在Nature发表两篇论文，分别从头设计半胱氨酸蛋白酶和锌离子辅助的金属蛋白酶，并在哺乳动物细胞中检测到切割活性。
推荐理由：两篇 Nature 论文报告从头设计半胱氨酸与金属蛋白酶的初筛成功率、动力学参数和晶体结构验证，并讨论催化水与预组织对活性的影响。
动脉网AI 评分4343 对话科理新序02后联创：AI4S的价值密度和Scaling Law
科理新序提出以Science Token、科学Token链和ScienceRSI递归自我改进循环重构AI4S，并发布Chain of Structures（COS）酶设计技术报告。COS在酶设计基准六项指标中五项第一，EC3达57.0%，高于CodeFP的55.3%，去掉推理链后EC3降至53.4%。这些设计尚未经湿实验验证，仅为计算评测结果。
LeapFun精选AI 评分5858 RFD4-Proteina 文档实操解读：从 Binder 生成到 Agent 自动设计蛋白质
作者以使用者视角梳理 Baker Lab 与 NVIDIA 的 RFD4-Proteina 官方文档，按 Quickstart、Cookbook、输入条件、Reward-Guided Search、Metrics 与 Agent Skills 的顺序给出上手路线。
推荐理由：文章按官方文档梳理 RFD4-Proteina 从输入约束、生成搜索到 Agent 编排的实操路径，便于团队复现工作流。
BioTender精选AI 评分7070 Ligo Biosciences 公布酶设计系统 Artios 的从头设计酶结果
Ligo Biosciences 公布酶设计系统 Artios，首轮荧光素酶实验筛 85 个设计有 7 个具活性，较大蛋白筛 45 个有 9 个初筛命中。
推荐理由：文章逐项拆解 Artios 的筛选口径与实验证据，说明计算通过率与实验命中率之间的差距。
AI-Protein Design精选AI 评分7676 RFD4-Proteina发布：对比RFD3的表征、推理与湿实验催化设计
RFD4-Proteina 发布，相较 RFD3 改用受力场能量监督的 32 维物理启发潜在空间，并引入内在循环精炼与外在搜索引导的双重潜在推理。干实验中小分子结合聚类通过率为 14.3%（RFD3 为 2.4%），77 个测试靶点全部覆盖；湿实验中 288 个双金属磷酸三酯酶设计有 89 个显示催化活性，最佳催化效率 3,600/M/s。
推荐理由：对比RFD4-Proteina与RFD3在表征、推理机制和湿实验催化设计上的分工，便于判断不同任务的模型选型。
iNatureAI 评分8282 华人一作兼通讯！诺奖团队领衔，两天连发3篇《Nature》及《Science》
华盛顿大学David Baker团队与苏黎世联邦理工学院Donald Hilvert合作，于2026年10月14日在Nature在线发表金属蛋白酶计算设计研究，用RFdiffusion 2仅指定锌基催化中心与相邻肽结合口袋位置、其余序列由模型生成，135种设计中36%能特异切割指定底物的目标肽键，最优设计水解速度比背景反应快超10⁸倍，优化活性位点预组织后可达10¹⁰倍以上。
BioArt同新闻AI 评分7878 西湖大学等团队在 Nature 提出自然语言驱动的功能蛋白设计模型 Pinal
西湖大学、香港科技大学（广州）、中国科学院深圳先进技术研究院等团队在 Nature 发表 Pinal，一个以自然语言功能描述为输入、输出候选蛋白序列及结构表征的蛋白质设计模型。
同一新闻，精选展示《西湖大学等在Nature发表Pinal：用自然语言编程设计功能蛋白质》
AI-Protein Design同新闻AI 评分8888 RFD4-Proteina 分子设计模型发布，基准与湿实验成功率超现有模型
RFD4-Proteina 分子设计模型正式发布，在蛋白质结合、小分子结合、酶活性位点支架和 DNA 结合四类基准测试中聚类通过率均高于对比模型，并报告更高生成吞吐量。
NVIDIA Healthcare & BioNeMo精选AI 评分7272 NVIDIA 与 UW 蛋白设计研究所发布开放蛋白设计模型 RFD4-Proteina
NVIDIA 与华盛顿大学医学院蛋白设计研究所发布开放模型 RFD4-Proteina，将可编程蛋白设计与搜索能力结合，可按分子输入、约束和评分目标生成并优化蛋白设计。
推荐理由：该开放模型把可编程蛋白设计与搜索结合，并在四类基准上报告了相对基线的设计成功率与吞吐表现。
C&EN (化学与工程新闻)AI 评分7373 华盛顿大学 IPD 用 AI 设计出金属蛋白酶与半胱氨酸蛋白酶
华盛顿大学 David Baker 领导的蛋白质设计研究所（IPD）在 Nature 发表两篇论文，用 AI 程序生成新型蛋白酶，分别设计出金属蛋白酶（DOI: 10.1038/s41586-026-11167-2）和半胱氨酸蛋白酶（DOI: 10.1038/s41586-026-11143-w）。
Kevin K. YangAI 评分2020 蛋白质设计综述：模块化催化剂前景
“如果我们能构建模块化催化剂，合成多样化的自然中不存在的新产物、条件响应型疗法、能量转换机器和信息处理网络……并具备超越进化所探索的可编程行为，那会怎样？” 蛋白质设计综述！
AI-Protein Design精选AI 评分7373 近期两篇金属蛋白酶设计文章（Nature vs Vita）比较
文章对比了David Baker团队发表于《Nature》的金属蛋白酶计算设计与曹龙兴团队发表于《Vita》的靶向Aβ切割金属蛋白酶从头设计两项研究。两者均用RFdiffusion系列或ProteusFlow生成骨架、LigandMPNN优化序列并结合AlphaFold2/3多状态筛选，实测结构与设计模型Cα RMSD约0.8–1.88 Å。
推荐理由：对比两篇金属蛋白酶从头设计论文，梳理生成模型、筛选体系与结构验证的异同，并指出周转率差距。
AI蛋白质AI 评分8888 Nature：Baker团队用RFdiffusion2从头设计半胱氨酸蛋白酶
华盛顿大学David Baker团队在Nature发表研究，用RFdiffusion2-MI从头设计以活化半胱氨酸亲核体为核心的蛋白酶，69个设计中13个具切割活性，成功率19%，相对背景反应速率提升最高3×10⁷倍。
BioTenderAI 评分3838 顾全全公开回应：AI制药的技术路线与未来竞争
Geodesic Intelligence 创始人顾全全在小红书 AMA 中提出，以能否每 6 个月推出一个大版本衡量 AI 制药团队的模型突破能力，并主张模型设计、湿实验反馈与数据迭代形成闭环。
DrugAI精选AI 评分8888 Nature：Baker团队用RFdiffusion从头设计金属蛋白酶
David Baker团队在Nature发表研究，利用RFdiffusion系列生成模型从头设计含锌配位中心和多肽结合口袋的金属蛋白酶，135个实验测试设计中36%能在预期位置切割多肽底物。
推荐理由：研究把从头酶设计从酯键水解推进到稳定肽键，并指出显式建模催化水分子是成功率差异的关键。
AI-Protein DesignAI 评分4040 诺奖成序章，奋斗正当时！今年David Baker已手握9篇NS正刊
截至2026-10-16，David Baker团队今年在《Nature》和《Science》正刊发表9篇论文（含1篇综述），覆盖人工酶从头设计、靶向GPCR与Ras的结合蛋白、蛋白质纳米笼、荧光团结合蛋白及膜蛋白结构解析工具。其中Science论文报道RFdiffusion3可在生物大分子中直接构建原子级精度的功能位点支架，Nature论文则实现半胱氨酸蛋白酶与金属蛋白酶的从头设计。
奶牛猫的CADD实验室精选AI 评分7474 少考虑一颗水分子，AI 设计蛋白酶的成功率差了这么多？
David Baker 团队在 Nature 发表研究，用 AI 从头设计可切断指定肽键的金属蛋白酶：结构评估仅考虑 Zn²⁺ 时实验成功率为 14/95（约 15%），同时考虑 Zn²⁺ 和催化水后升至 35/40（约 88%）。
推荐理由：解读 Baker 团队金属蛋白酶设计研究，说明催化水如何改变计算筛选的成功率。
AI-Protein Design精选AI 评分7676 Baker团队在《Nature》发表人工金属蛋白酶设计，可定点水解TDP-43但活性仍低于天然酶
Baker团队在《Nature》报告用RFdiffusion2/3与EnhancedMPNN从头设计金属蛋白酶，显式建模锌配位催化水分子后湿实验筛选阳性率从15%升至88%。代表性设计TDPn3可定点切割全长TDP-43单体与寡聚体，SDS-PAGE和质谱确认断裂位点，阴性对照无切割条带。作者指出最强变体Zn45_v2周转率仍比顶级天然金属蛋白酶低约2个数量级，且尚无细胞或动物实验验证。
推荐理由：文章拆解了Baker团队金属蛋白酶从头设计的策略演进，并点明催化效率与体内验证的具体边界。
AI药物设计实验室AI 评分8888 Nature 发表华盛顿大学团队从头设计半胱氨酸蛋白酶：69 个设计中 13 个具切割活性
华盛顿大学等团队在《Nature》报告用 RFdiffusion2 分子界面版本生成骨架、ProteinMPNN 设计序列并经 AlphaFold 3 复核，从头设计出能按序列切割多肽的半胱氨酸蛋白酶，69 个实验候选中有 13 个具切割活性。
DrugAI精选AI 评分8888 Science 发表 RFdiffusion3：全原子扩散实现生物聚合物原子级功能位点支架设计
研究人员在 Science 发表 RFdiffusion3（RFD3），一种基于全原子自由扩散的生成式模型，可在统一框架下设计蛋白质、RNA、DNA 及其复合物，并直接以催化原子坐标、氢键和配体埋藏等条件构建功能位点。
推荐理由：该研究把生成式设计从残基级推进到全原子级，并给出人工酶实验活性数据，可作为理解功能位点设计边界的参照。
UW Institute for Protein DesignAI 评分6565 IPD 团队在 Nature 发表从头设计蛋白酶研究
UW 蛋白质设计研究所（IPD）的 Anqi Chen、Kejia Wu 和 Hojae Choi 从头设计出蛋白酶，这些“分子剪刀”能高精度切割用户指定的目标序列。该成果本周发表于 Nature，推文未披露切割效率、特异性数据或实验体系。
Rohith KrishnaAI 评分7272 RFdiffusion3 在 Science 发文：扩散方法改进淀粉样序列蛋白酶与农药降解金属水解酶设计
作者在 Science 发文更新去年提出的扩散方法 RFdiffusion3，称其在针对淀粉样序列的序列特异性蛋白酶和用于农药降解的金属水解酶设计上有显著改进。推文未披露具体指标、实验体系与对照结果。
DeepTech深科技精选AI 评分8383 AI从零设计蛋白酶，催化加速超100亿倍，David Baker团队重磅成果连发两篇Nature
华盛顿大学David Baker团队10月14日在Nature发表两篇论文，用RFdiffusion、ProteinMPNN和AlphaFold 3从头设计半胱氨酸蛋白酶与金属蛋白酶。
推荐理由：两篇 Nature 论文报告从头设计半胱氨酸与金属蛋白酶的实验成功率与催化加速，并给出与天然酶的差距。
Google DeepMind / Isomorphic精选AI 评分5858 Google DeepMind 发布 Gemini 4 Argon，并展示其在酶设计与科研任务上的应用
Google DeepMind 发布 Gemini 4 Argon，通过 API、AI Studio、Gemini 平台及 Antigravity 等入口向开发者、企业和科研人员开放，输入定价为每百万 token 2 美元、输出为每百万 token 10 美元。
推荐理由：Gemini 4 Argon 在数小时内完成丝氨酸酯酶设计，并经实验室测试确认催化活性，为通用模型参与酶工程提供了具体案例。
智药邦精选AI 评分5858 Basecamp Research完成1.4亿美元C轮融资，将训练新一代EDEN模型
Basecamp Research于2026年9月23日宣布完成1.4亿美元C轮融资，由S32领投，NVIDIA、Menlo Ventures旗下Anthology Fund等参投，资金将用于训练新一代EDEN模型并推动AI设计疗法管线进入临床开发。
推荐理由：融资信息之外，材料还交代了EDEN模型与DNA写入技术结合的体内重编程路径及临床前进展。
AI蛋白质精选AI 评分8585 DeepMind发布AlphaProtein Novo：从头设计酶在哌啶合成与DEHP降解中超越自然序列挖掘
Google DeepMind团队在预印本平台发布AlphaProtein Novo（AP Novo）机器学习流水线，报告从头设计酶在哌啶合成和DEHP降解两个挑战性反应上超越自然序列或突变体筛选。
推荐理由：该预印本报告从头设计酶在哌啶合成与DEHP降解中超过天然序列筛选，并给出序列集合评分这一可迁移方法。
Rohith KrishnaAI 评分7878 AlphaProtein Novo 发布从头酶设计流程，结合原子扩散与序列扩散
Google DeepMind 与 Frances Arnold 团队合作推出从头酶设计流程 AlphaProtein Novo（AP Novo），将原子扩散与离散序列扩散结合用于生成酶。引用内容称，该流程在两个基准反应上取得新骨架（novel-scaffold）活性方面的 SoTA，并设计出用于合成药物基元哌啶和降解环境毒素 DEHP 的酶。相关预印本与代码已发布在 bioRxiv 和 GitHub；转发者评价酶设计仍处早期。
Kevin K. YangAI 评分5858 Kevin K. Yang 提出结合化学知识、生成建模与结构预测的酶设计流程
Kevin K. Yang 提出将化学知识、生成建模与结构预测组合成一条流程，用于为新自然界化学反应设计酶。推文未披露该流程的具体方法、实验验证或性能数据。
AI蛋白质精选AI 评分6262 Broad研究所刘如谦团队在Nature发表AI重设计起点增强蛋白进化的研究
Broad研究所刘如谦团队在Nature发表研究，提出以AI重新设计的更稳定蛋白作为定向进化起点，可进化出活性、特异性和稳定性更优的蛋白。研究以肉毒神经毒素蛋白酶为对象，先用AI设计更稳定的版本，再通过功能进化使其切割包括神经退行性疾病相关蛋白ataxin-2在内的多种靶标，所得蛋白在稳定性和针对该功能的特异性上优于从天然蛋白酶出发的进化结果。
推荐理由：该研究把 AI 设计的稳定蛋白作为定向进化起点，与天然起点直接比较，为酶工程提供可迁移思路。
分子之心MoleculeMind精选AI 评分6262 分子之心与引加生物达成战略合作，共建蛋白研发“周级”闭环
分子之心与引加生物宣布达成深度战略合作，将分子之心的AI蛋白质生成式设计与引加生物的微量高通量无细胞蛋白表达、全自动化筛选及工艺放大能力结合，构建从AI设计到产业化交付的“周级”闭环。
推荐理由：分子之心与引加生物把AI设计与无细胞表达、自动化筛选对接，展示了蛋白研发缩短验证周期的合作路径。
SynBioBeta NewsAI 评分4242 Ridge Biotechnologies 扩大投资者基础，AI 设计生物偶联药物需求加速
Ridge Biotechnologies 新增投资后累计融资约 3800 万美元，本轮种子轮由 Dimension Capital 领投，Sutter Hill Ventures 与 Overlap Holdings 参投。