Prompteina：用自然语言设计蛋白质结构的突破

从「文生图」到「文生蛋白」

蛋白质从头设计（de novo protein design）的核心难题，在于如何按需生成具备特定结构与功能的蛋白质。过去的设计模型存在一个明显局限：每一类设计目标（比如某种结构特征或功能约束）都需要一套专门的输入表示方式，这极大地限制了模型能支持的设计任务范围。研究者如果想换一个新目标，往往要重新设计输入接口甚至重训模型。

Prompteina 的提出改变了这一格局。它是首个支持用自然语言指定设计目标的全原子（all-atom）结构生成模型，其工作方式类比于文本生成图像（text-to-image）——你用一句话描述想要的蛋白质属性，模型就能生成对应的三维结构。这意味着设计目标不再被固定的输入格式所束缚，而是可以通过灵活的语言描述来扩展。

蛋白质从头设计与传统的基于序列的蛋白质工程不同，它不依赖已有的天然蛋白质模板，而是完全从物理化学原理或学习到的分布出发，从零构建全新的氨基酸序列与三维结构。全原子（all-atom）设计进一步要求模型精确预测包括侧链在内的所有原子位置，而非仅仅预测骨架走向，这是实现功能性结合界面设计的必要前提。近年来，以 RFdiffusion、ProteinMPNN 等工具为代表的扩散模型方法显著提升了从头设计的成功率，但这些方法通常依赖结构片段、热点残基坐标等结构化输入来指定设计意图，灵活性受限。Prompteina 的意义在于将「条件」这一概念从固定的结构表示解耦，转向开放式的自然语言描述，使设计空间的探索方式发生了根本性变化。

Prompteina-Data：支撑训练的大规模配对数据集

要让模型「听懂」自然语言并映射到蛋白质结构，关键在于高质量的配对训练数据。研究团队为此构建了 Prompteina-Data，这是一个文本—蛋白质结构配对数据集，包含 180 万个结构与超过 5000 万条描述文本（captions）。

这些描述文本既涵盖全局层面的属性（如整体结构类型、功能类别），也涵盖残基特异性（residue-specific）的结构与功能特征。这种粒度上的设计相当重要——它让模型不仅能理解「这是一个什么样的蛋白」，还能理解「哪个位点承担什么功能」，为后续的精细化设计打下基础。

技术路线：在预训练模型上做文本条件适配

Prompteina 并非从零开始训练，而是基于已有的结构生成模型 Proteina-Complexa 进行适配。整个流程分为两步：

文本条件预训练

团队首先对 Proteina-Complexa 进行文本条件化的预训练，让模型学会将文本信息融入结构生成过程。

残基级对齐微调

随后通过微调，让每个残基与其对应的文本描述对齐。这一步是实现残基特异性控制的关键，使模型能够响应描述中针对特定位点的要求，而不仅仅是生成一个「大致符合」的整体结构。

这种「预训练模型 + 文本条件适配」的思路，与大语言模型和多模态模型领域的常见范式一脉相承，体现了把成熟的生成模型迁移到科学设计任务上的有效性。

残基特异性对齐的技术挑战在于，自然语言描述是全局性的序列信号，而蛋白质结构的功能往往集中在局部的几个关键位点——例如酶的催化三联体、抗体的互补决定区（CDR）或配体结合口袋中的接触残基。要让模型将文本中「位点X负责结合」或「loop区域保持柔性」这类描述与具体残基坐标精确对应，需要训练数据中包含残基级别的文本标注，并在微调阶段通过适当的损失函数将两者的表示空间拉近。这与视觉-语言模型中的区域级对齐（region-level grounding）思路相似，是实现细粒度可控生成的核心技术难点。

性能表现：多项指标领先基线

Prompteina 在多个维度上展现出对现有方法的优势：

• 结构属性生成：在 18 项结构属性中的 15 项上超越基线模型，生成的蛋白质也更贴合其预期功能的文字描述。
• 结合蛋白设计（binder design）：在至少 20 个靶点中的 13 个上领先基线，并将界面置信度（interface confidence）相比最强基线提升了 14%。
• 迭代式计算反馈：引入迭代的 in silico 反馈后，在最难的靶点上，Prompteina 相比非迭代生成的增益，比次优基线高出 57%。

这些数据表明，自然语言不仅是一个「方便」的接口，更是一个在实际设计效果上具备竞争力的条件化手段。

实验验证：成功设计 GM2A 结合蛋白

计算指标再漂亮，也需要湿实验（wet-lab）验证才能证明真正的价值。研究团队选择了 GM2A 作为验证靶点——这是一个此前没有任何已报道的从头设计结合蛋白的目标，难度不小。

结果令人振奋：团队识别出 9 个结合蛋白，其中最强的一个表观解离常数（apparent $K_D$）达到 107 nM。这一纳摩尔级别的亲和力，证明了 Prompteina 生成的设计不仅在计算层面可信，在真实生物物理测量中同样有效。

GM2A（GM2 Activator Protein）是一种小分子糖脂转运蛋白，参与神经节苷脂的溶酶体降解通路，其功能缺陷与 GM2 神经节苷脂贮积症相关。作为验证靶点，GM2A 的挑战性不仅在于缺乏已报道的从头设计结合蛋白，其表面较为平坦、缺乏深度结合口袋，这类「难成药」靶点对结合蛋白设计方法的泛化能力是较为严苛的考验。表观解离常数（apparent $K_D$）107 nM 属于中等偏强的亲和力水平——相比抗体通常追求的 pM 至低 nM 范围尚有差距，但对于从头设计的初代结合蛋白而言，这已是极具竞争力的起点，后续可通过亲和力成熟（affinity maturation）等手段进一步优化。

意义与展望

Prompteina 的核心贡献，是确立了自然语言作为蛋白质结构生成的有效且强大的条件化接口。它把蛋白质设计从「为每种目标定制输入」的繁琐范式，带入了「用一句话描述需求」的通用范式。

这种转变的潜在影响是深远的：它降低了蛋白质设计的使用门槛，让研究者可以更直观地探索更广泛的设计目标；同时也为将来结合更丰富的功能描述、乃至与大语言模型协同的设计工作流打开了想象空间。随着配对数据规模的扩大和模型能力的提升，「文生蛋白」有望成为生物设计领域的一种主流交互方式。