深度学习正在重塑蛋白质设计领域。从AlphaFold2在CASP14上以原子级精度预测蛋白质结构，到RFdiffusion和ProteinMPNN将从头设计蛋白结合剂的实验成功率从不足1%飙升至7%–35%，再到Boltz-2首次让AI模型在结合亲和力预测上接近自由能微扰（FEP）方法的精度——我们正处在一场计算驱动的蛋白质工程革命之中。 然而，工具琳琅满目，选择难以下手。AlphaFold3、RoseTTAFold、ESMFold、RFdiffusion、ProteinMPNN、Boltz-2、Chai-1……每个模型都有其独特的架构、优势和适用场景。更关键的是，没有任何单一模型能够提供100%可靠的预测。这就要求我们在计算阶段做好 多方法交叉验证 ，在进入昂贵的实验验证之前，用尽可能多的计算手段筛选出最可信的候选。 本文将按照“ 结构预测→生成与设计→功能预测→多维度计算筛选→实验验证 ”的完整管线，系统梳理主流工具的特点、适用场景和选择策略，并重点阐述如何通过计算交叉验证提升设计成功率。 图1.蛋白质设计全景

一、蛋白质结构预测：哪把“尺子”最准？

蛋白质结构预测是设计的基石。无论是验证从头设计蛋白的折叠情况，还是评估设计序列能否形成预期的三维构象，都需要可靠的结构预测工具。

1.1 AlphaFold3：全能型选手，但非万能

AlphaFold3是目前最全面的生物分子结构预测模型，可处理蛋白质、核酸、小分子和离子的复合物。其核心置信度指标包括： pLDDT（predicted Local Distance Difference Test） ：单残基置信度，0–100，值越高局部结构越可信。一般认为>90为极高置信度，70–90为可信，50–70为较低置信度，<50为不可信区域 pTM（predicted TM-score） ：整体结构置信度，>0.5表示预测整体折叠可能正确 ipTM（interface pTM） ：界面置信度，专门评估复合物中链间相互作用的可信度 PAE（Predicted Aligned Error） ：预测的对齐误差矩阵，用于判断两个残基相对位置的不确定性 CASP16评估显示，AlphaFold3在单体蛋白质结构预测上已接近实验精度，但对于真正新颖或无同源序列的蛋白质，预测仍需谨慎。在蛋白质复合物预测上，约50%的靶点仅获得部分良好预测，超过30%极具难度。抗体-抗原复合物和新型蛋白-蛋白界面的原子级精度仍是重大挑战。 ⚠️ 使用提醒：AlphaFold3的配体结合亲和力预测尚不可靠，不能替代专门的结合自由能计算。 图2. AlphaFold在线服务器（https://alphafoldserver.com/）

1.2 ESMFold：速度优先的“快速筛查器”

ESMFold基于蛋白质语言模型，不依赖多序列比对（MSA），推理速度极快——可在秒级完成预测，适合高通量筛选场景。但其精度在高难度靶点上略低于AlphaFold系列，更适合用于初步过滤而非最终结构确认。

1.3 RoseTTAFold All-Atom / Chai-1 / Boltz-1：生物分子复合物专长

这些模型专注于生物分子复合物的结构预测。其中Boltz-1引入了实验方法条件控制、距离约束和多重链模板整合等可控性特征，在复合物建模上有独特优势。值得关注的是，RoseTTAFold All-Atoms、Chai和Boltz等模型未参与CASP16，缺乏严格的第三方评估，选用时需要结合自身数据做内部验证。

1.4 结构预测工具选择策略

场景	推荐工具	理由
单体蛋白质	AlphaFold3 / ESMFold	精度最高，ESMFold适合快速初筛
蛋白-蛋白复合物	AlphaFold3 / Chai-1 / Boltz-1	多工具交叉验证最稳妥
蛋白-小分子复合物	Boltz-2 / AlphaFold3	Boltz-2在结合预测上有专门优化
高通量结构筛选建模	ESMFold	速度快，适合大规模结构建模和预测

二、蛋白质生成与设计：从“读结构”到“写序列”

如果说结构预测是“读”，那么蛋白质设计就是“写”——从零创造具有目标结构和功能的蛋白质。这一领域的两大支柱是 骨架生成 和 序列设计 。

2.1 RFdiffusion：骨架生成的扩散革命

RFdiffusion是基于去噪扩散概率模型的骨架生成工具，通过逐步“去噪”从噪声中生成蛋白质主链骨架。它支持无条件生成和条件生成（如基于目标表位或功能基序的约束设计）。 RFdiffusion被广泛应用于从头设计蛋白结合剂。通过生成多聚甘氨酸骨架，再结合ProteinMPNN赋予序列，实验成功率从不足1%跃升至7%–35%。在抗体设计中，经过微调的RFdiffusion可实现原子级精度的CDR构象生成。 适用场景 ：需要生成全新蛋白质骨架；需要基于功能基序（如酶活性位点、结合表位）进行条件设计。 ⚠️ 使用提醒：RFdiffusion计算资源消耗较大，大规模使用时需考虑算力成本，且设计结构不等于最终结构，须通过其他工具交叉验证。 图3. RFdiffusion在线服务器（https://app.tamarind.bio/tools/rfdiffusion）

2.2 ProteinMPNN：序列设计的“逆折叠大师”

ProteinMPNN是“逆折叠”模型的代表——给定目标骨架结构，生成能够稳定折叠为该结构的氨基酸序列。它与RFdiffusion形成经典的“骨架生成→序列填充→结构验证”闭环。 在实际工作流中，RFdiffusion生成的骨架会输入ProteinMPNN产生多条候选序列（通常200条），再经AlphaFold2/3折叠验证，筛选出设计性（designability）最高的候选。 ⚠️ 使用提醒：ProteinMPNN仅根据静态结构进行设计，不考虑蛋白质折叠动力学，高设计性评分不保证实验高表达。 图4. ProteinMPNN在线服务器（https://app.tamarind.bio/tools/proteinmpnn）

2.3 ESM3 / GeoEvoBuilder：序列-结构联合设计的新范式

ESM3等模型整合了序列与结构模态，在统一框架中进行联合设计，提升了设计蛋白的可折叠性和功能保留度。 GeoEvoBuilder是北大来鲁华团队开发的功能蛋白设计模型，通过将结构序列设计模型与蛋白质大语言模型ESM2融合，能同时提升蛋白的催化活性和热稳定性。实际应用中，仅通过单轮设计即获得催化效率提升10–20倍、热稳定性提高约10℃的优化序列。这对于需要在 不牺牲活性的前提下提升稳定性 的酶工程场景尤为重要。

2.4 生成工具选择策略

任务	推荐组合	说明
从头设计蛋白结合剂	RFdiffusion + ProteinMPNN + AF2/3	经典三件套
优化天然酶活性与稳定性	GeoEvoBuilder	专为功能保留设计
抗体/纳米抗体设计	微调版RFdiffusion + ProteinMPNN	需使用抗体复合物数据微调
仅需序列优化	ProteinMPNN / ESM-IF	有骨架结构时可直接使用

三、功能预测工具：从结构到功能的桥梁

3.1 Boltz-2：结合亲和力预测的“游戏规则改变者”

Boltz-2是一个结构生物学基础模型，其最突出的创新在于： 它是首个在蛋白质-小分子结合亲和力预测上接近FEP精度的AI模型 。Boltz-2直接从3D几何预测结合亲和力（ΔG），无需对接打分，也无需分子动力学模拟。 更令人印象深刻的是效率——单次预测约几十秒、成本几美分，而FEP需要6–12小时、成本约100美元/预测，效率提升1000倍以上。 适用场景 ：蛋白质-小分子结合亲和力快速评估；虚拟筛选中的ΔG排序。 ⚠️ 使用提醒：Boltz-2不预测结合位点，不建模柔性环区或构象动力学。其置信度评分不直接等同于亲和力，因此Boltz-ABFE管线（Boltz-2结构预测 + 绝对FEP计算）被推荐作为更稳健的评估方案。 图5. Boltz2 在线服务器（https://proteiniq.io/app/boltz-2）

3.2 OmniESI / MutCompute / DeepSequence：酶-底物互作与稳定性预测

在酶工程中，OmniESI通过两阶段渐进式条件深度学习预测酶-底物相互作用，可用于指导底物特异性改造。MutCompute和DeepSequence则基于多序列比对和语言模型预测突变对蛋白稳定性的影响，适用于指导定向进化和突变位点筛选。

四、计算交叉验证：如何筛选出最可信的候选？

这是本文最核心的部分。 计算阶段的筛选质量直接决定实验验证的成功率 。单一模型的结果不应直接交付实验，必须经过多维度交叉验证。

4.1 结构类设计的三层验证

第一层：置信度指标（快速初筛）

• pLDDT：结构预测的置信度分布。筛选pLDDT>85的候选，重点关注关键功能区域（如结合界面、催化残基）的局部pLDDT值
• pTM / ipTM：ipTM>0.8表示界面预测高度可信
• PAE：PAE_interaction<7.5 Å是判断界面互作可靠性的经验阈值

第二层：结构一致性（“自身验证”） 将同一序列多次预测（如5次AF3运行，设置不同的随机种子和循环次数），计算各次预测之间的RMSD，RMSD<2 Å表示预测收敛性好 使用不同工具（AF3、ESMFold、Chai-1）预测同一序列，评估结构是否收敛——工具间结果一致性越高，可信度越高 第三层：设计性闭环验证 这是当前最经典的从头设计验证范式：用ProteinMPNN生成序列后，回馈给AlphaFold进行结构预测，计算AF预测结构与原始目标骨架的RMSD。 RMSD越小，说明该序列的“设计性”越好，即越可能折叠为目标结构 。设计性闭环筛选可有效剔除“序列可行但折叠不走”的假阳性。

4.2 结合类设计的能量验证

Boltz-2 ΔG +MM/PBSA 双重校验 Boltz-2虽然速度快，但其预测并非绝对可靠。更稳健的做法是： 用Boltz-2对候选复合物进行ΔG排序，筛选出预测亲和力最高的10%–20% 对短名单候选运行MM/PBSA（Molecular Mechanics/Poisson–Boltzmann Surface Area）计算，交叉校验结合自由能 条件允许时，对最优候选运行FEP/ABFE（如Boltz-ABFE管线）获得更精确的结合自由能估计 额外检查 ：计算复合物的埋藏表面积（Buried Surface Area）和界面氢键/疏水相互作用数量，与天然结合界面做比对，剔除界面相互作用过弱或几何异常的候选。根据对体系的认知，通过专家知识确认关键结合位点的合理性。

4.3 酶功能设计的多维验证

酶设计需综合评估三个维度： 结构稳定性、底物结合范式、催化活性 。 稳定性验证 ： 用ESM-1v / MutCompute / DeepSequence预测突变对折叠自由能（ΔΔG）的影响，筛选ΔΔG≤0 kcal/mol的突变（即不破坏稳定性的突变） 运行短时分子动力学模拟（如10 ns），评估整体结构稳定性，计算骨架RMSF，重点关注活性位点附近残基的柔性是否合适 底物结合范式验证 ：

• 用AlphaFold3/Boltz-2预测酶-底物复合物结构，计算配体对接pose的置信度（pLDDT配体>70为推荐阈值）
• 评估催化残基与底物的几何关系（如距离、角度）是否符合已知的催化机制
• 用Boltz-2评估底物结合ΔG，确保设计突变未削弱底物结合能力

交叉验证策略 ： 单一计算方法的结果不足以支撑决策，酶功能设计需要至少两种独立方法的相互验证——如结构预测+能量计算、稳定性预测+动力学模拟等 特别注意：基于结构训练的模型倾向于生成高稳定性但可能丧失催化活性的序列（“过度稳定化”问题），需要大语言模型或功能导向的模型来补充活性信息

4.4 综合筛选流程建议

推荐筛选流程（由粗到精） ：

• 生成阶段 ：RFdiffusion/GeoEvoBuilder生成候选池（数量级：10³–10⁴）
• 结构初筛 ：ESMFold快速折叠所有候选，pLDDT<70直接剔除（数量级降至10²）
• 设计性闭环 ：ProteinMPNN + AF2/3闭环验证，RMSD>2 Å的剔除（数量级降至10¹–10²）

最终候选 ：选取在多轮筛选中表现一致的前5–20个序列交付实验

五、实验验证：计算的终点，真理的起点

无论计算筛选多么精细， 实验验证仍然是最终的金标准 。

5.1 推荐的实验验证流程

表达与纯化 ：将计算筛选出的候选序列进行基因合成、表达和纯化。高设计性评分不保证高表达，这是第一个“实验关卡”。 结构验证 ：

• 圆二色谱（CD）确认二级结构组成

• 条件允许时解析晶体结构或冷冻电镜结构，与计算模型比对

功能验证（按设计目标分层）：

• 结合设计 ：表面等离子体共振（SPR）或生物层干涉（BLI）测定Kd。现有数据显示，RFdiffusion+ProteinMPNN设计的结合剂中，约19%的候选在10 μM浓度下显示结合信号，但达到高亲和力的比例要低得多——这意味着即使经过计算筛选，仍需要实验测试数十至数百个候选。

• 酶设计 ：测定kcat/KM，评估催化效率；热稳定性通过差示扫描量热法（DSC）或热漂移法测定Tm

• 稳定性验证 ：化学变性或热变性实验评估ΔG折叠

迭代优化 ：如果首轮候选未达预期，分析失败原因（表达问题？折叠错误？亲和力不足？），调整计算筛选阈值或设计策略，进行第二轮。

5.2 计算-实验闭环的效率提升

一个设计完备的计算-实验闭环可将“序列→功能蛋白”的周期从数月缩短至数周，但这需要计算团队与实验团队紧密协作。 计算侧交付的不仅是一组序列，还应包括每一条序列的预测置信度、潜在风险提示和推荐的实验优先级排序 ，帮助实验侧高效分配资源。

结语：工具只是手段，验证才是灵魂

蛋白质设计的深度学习工具正在以令人目眩的速度演进——从AlphaFold到AlphaFold3，从Boltz-1到Boltz-2，模型架构不断突破，性能边界持续外延。2024年诺贝尔化学奖授予AlphaFold和蛋白质设计的开拓者，标志着这一领域从“前沿探索”走向“主流范式”。 但在激动人心的工具迭代之外，一个朴素的真理始终成立： 没有经过充分交叉验证的计算结果，不应该进入实验阶段。 多工具比对、置信度评估、能量校验、闭环验证——这些看似繁琐的计算步骤，恰恰是决定设计成败的关键。 面向未来，我们期待看到更多“物理+AI”混合框架的出现、更稳健的安全框架应对双重用途风险，以及更紧密的计算-实验一体化平台。而在当下，掌握工具的选择智慧，建立严谨的计算验证体系，就是每一位蛋白质设计者最需要修炼的内功。

---

关注我们，一起见证计算改变蛋白质研发的新时代！

联系方式：information@yunfeidu.com

👇 点击下方名片，关注“云飞渡科技”