点击本文中加粗蓝色字体即可一键直达新药情报库免费查阅文章里提到的药物、机构、靶点、适应症的最新研发进展。
2024年11月4日，《自然》杂志发表了一篇题为《蛋白质设计中AI尚未解决的五大问题》的文章，深入探讨了蛋白质人工智能设计所面临的诸多挑战。
慕尼黑大学的Alena Khmelinskaia教授表示：“我们期待能够像点餐一样简单地设计特定蛋白质。未来的理想状态是，研究人员可以通过一个自动化设备，指定所需蛋白质的功能、尺寸和特性等，机器将生成一个完美设计，并解决所有要求。”
蛋白质设计这一曾经遥不可及的梦想，随着计算技术和机器学习的迅猛发展，正在成为现实。传统方法往往依赖微生物的变异产生所需蛋白质，整个过程复杂且低效。然而，机器学习的引入正在改变这个领域的格局。
借用诸如RFdiffusion和Chroma等AI工具，研究人员可以在计算机上更便捷地构建新的蛋白质结构，并使用ProteinMPNN等计算工具设计相应的氨基酸序列。更为振奋的是，RoseTTAFold和AlphaFold的应用，使得预测新蛋白质是否能够正确折叠成为现实，这极大缩短了从概念到应用的时间，并提高了设计效率。2024年诺贝尔化学奖的颁发进一步印证了AI在该领域的巨大潜力和应用前景，预示着这一技术将在未来为人类带来难以预见的福祉。
然而，挑战依旧存在。《自然》杂志通过采访揭示了当前蛋白质设计领域的核心难题以及学者提出的可能解决方案。虽然前方挑战重重，但随着技术的进步和科学家的不懈努力，蛋白质设计的未来仍充满希望，带来的影响也将更为深远。
在蛋白质设计的早期阶段，如何准确预判蛋白质相互作用是一个关键挑战，尤其是在制药行业中。某些特殊蛋白质的结合物能够作为药物，精确调控疾病的途径发展。2024年诺贝尔化学奖得主，计算蛋白质设计先驱David Baker及其团队通过研发如RFdiffusion和AlphaProteo的生成式AI程序，极大简化了这一过程。
Baker指出，这些AI工具能够精准设计针对特定目标的结合物。比如在2023年，他的团队利用RFdiffusion技术成功制造了一种特异性传感器蛋白，当与特定肽类接触时，该蛋白可发光，彰显了AI在蛋白质设计上的巨大潜力。
Generate Biomedicines公司的John Ingraham指出，所有天然蛋白质由20种氨基酸组成，这为机器学习提供了丰富而统一的数据源。然而，与药物和小分子结合的蛋白质设计上，由于缺乏足够的训练数据，AI生成的结合蛋白可靠性偏低。部分制药公司对其小分子的结构信息严格保密，也限制了AI的学习。
为了克服这些阻碍，DeepMind发布了AlphaFold3版本，该版本显著提升了AI在蛋白质与小分子相互作用预测上的精准度。尽管如此，Baker指出，即使一个结合物设计正确，未必能达到预期的生物效果。生成式AI可能生成不存在于自然界的蛋白质结构，需要更系统的生物物理知识和优质的数据支持。Ingraham认为，深入理解生物物理原理以及丰富蛋白质—分子结合数据至关重要。相关公司正在尝试整合多种数据，寻求通用解决方案。
科学家们目前聚焦于通过计算工具研发新型酶解决环境问题，例如分解塑料的酶和二氧化碳转化催化剂。尽管天然酶的相似性可以提供设计灵感，但功能复杂性以及蛋白质结构之间的差异使设计变得困难。
为应对这些难题，研究人员正在探索酶的活性位点和发展精确的构建策略。然而，蛋白质总是动态变化，当环境变更时，预测其行为变得十分棘手，这给设计新功能酶带来挑战。
全新的生物构建也需要新的蛋白质设计思路。科学家正在利用机器学习来探索多功能蛋白质结构，例如自组装纳米粒子和复杂分子机器的构件。然而，许多复杂生物机器的细节仍尚不清楚，需要更深入的研究和开发。
尽管算法的提升能精确预测某些分子相互作用，但科学家仍面临巨大挑战，尤其是在实际应用中。配合合作和数据共享，将推动蛋白质设计更快、更广。
通过研究前沿和不断进步的计算机技术，科学家们期待蛋白质设计能逐步克服这些难题，创造出对人类发展更有益的解决方案。
免责声明：新药情报内容编辑团队专注于介绍全球生物医药健康研究的最新进展，本文旨在提供信息交流，不代表任何立场或治疗方案推荐。如需专业医疗建议，请咨询正规医疗机构。
