一句话生成蛋白质：西湖大学Pinal登《自然》，用17亿条合成配对跨越数据鸿沟

趋势前瞻 × 药企研发负责人 ｜ 事实报道 × 医疗数据从业者 ｜ 行业观察

10月21日23时，西湖大学原发杰、刘建明团队与香港科技大学（广州）卢泓远团队、中国科学院深圳先进技术研究院司同团队合作完成的论文「Programmable design of functional proteins from natural language」在《自然》在线上线（编号s41586-026-11205-z）。他们搭建的AI模型Pinal只需一句自然语言描述，就能生成与已知天然蛋白序列不同、且可能具备实际功能的候选蛋白质。对药企研发来说，这件事的真正看点不在「一句话」的噱头，而在它用AI合成数据跨越了蛋白质-文本配对的数据鸿沟，并且四类湿实验全部跑通了功能验证。

开场：给AI一句话，它回你一条自然界不存在的蛋白质

在实验检测中，一抹微弱的绿色荧光出现在一个由AI设计的候选蛋白质里，它被命名为pinalGFP。这一次，研究人员没有直接取用天然荧光蛋白序列，也没有围绕某个已知模板反复突变优化，而是给一个名为Pinal的模型一段关于目标功能的自然语言描述，让模型生成候选序列，再通过筛选和实验验证，找出其中真正发挥功能的那一个。

Pinal是「Protein-design Interface using Natural Language」的缩写，即一个由自然语言驱动的通用蛋白质设计模型。它把蛋白质设计的第一步，从画结构、查同源、写修改方案，压缩成了打下一行字。

• 设计案例覆盖荧光蛋白、降解PET塑料的酶、醇脱氢酶、固碳多酶体系中的穿梭H蛋白四类功能迥异的场景
• 模型参数量160亿，运行时大致分三步：先根据文字生成蛋白质的结构蓝图，再依据结构排布氨基酸，最后对众多候选序列打分，挑出最符合目标的候选序列

对药企研发负责人而言，值得注意的不是某一个候选蛋白，而是这条「自然语言提需求-AI出候选-实验验功能」链路的形态：它把设计的入口，从结构专家手里递到了需求描述者手里。

数据鸿沟怎么跨：1.35亿条序列加17亿条AI合成配对

这项研究最对医疗数据从业者胃口的，是它处理数据缺口的方法论。

问题很直白：人类已知的蛋白质序列数据规模庞大，但经实验验证功能的数据相对稀缺。AI模型很难在海量序列与少量功能注释之间，建立「功能文字到蛋白序列」的可靠对应关系——这是一种左右脚不平衡的状态，海量序列说不清结构、也说不清功能，模型自然学不到真本事。

团队的解法分两层：

• 第一层，以蛋白质三维结构作为中间桥梁。序列看起来只是20种氨基酸字母的排列组合，可能性极其庞大，但并非每种排列都能折叠成稳定结构；而结构已经包含了折叠后的空间关系与物理化学约束，更接近蛋白质真正工作的样子。自然语言不直接对接序列，而是先指向结构，再由结构约束序列。
• 第二层，用AI合成数据补齐配对。团队整合多种来源的蛋白质数据，构建了覆盖约1.35亿条不同蛋白质序列的训练数据集；再通过为同一蛋白质配备多种语言表述，最终合成约17亿条「蛋白质-文本」配对训练数据，为模型学习语言描述与蛋白质之间的关联提供了基础。

这里的判断可以被其他领域复用：当真实标注数据稀缺时，与其干等标注补齐，不如引入一个中间模态，并用模型生成的合成配对把训练集撑大一个数量级。

对做医疗数据链路的从业者而言，这个范式与病历文本、影像、临床表型之间的配对缺口高度同构——蛋白质领域先行验证了一次，同样的思路正在被搬到更多模态上。

160亿参数模型与四类蛋白的湿实验验证

概念之外，研究团队选取四类功能迥异的蛋白质开展湿实验，全部以文字描述作为输入，经计算筛选确定候选序列后进入实验，且四类全部验证了功能：

• 荧光蛋白：从优先筛选的29个候选设计中获得具有绿色荧光的pinalGFP；对发色团关键残基进行突变后荧光消失，支持这一设计具有相应的发光机制
• 降解PET塑料的酶：筛选获得的pinalPETase36能在实验条件下水解预处理PET底物，化学分析检测到逐渐积累的降解产物，扫描电子显微镜显示酶处理后的PET表面出现孔洞和凹坑
• 醇脱氢酶：团队没有在文字需求中限定酶的亚家族或链长，最终获得覆盖三个不同亚家族的五种活性设计，展示了模型围绕同一功能生成多种分子方案的能力
• 穿梭H蛋白：需要经过正确的翻译后修饰并与其他酶协同工作，成为检验设计蛋白能否融入复杂多酶反应体系的重要案例

原发杰在报道中强调，Pinal的关键不只是让AI生成一串看起来合理的氨基酸字母，而是继续追问：这些字母组成的蛋白质，离开电脑后能不能在真实实验中发挥功能。四类实验给出的答案都是肯定的。

1.7倍：H蛋白通路产物浓度超过天然蛋白

四类验证中最能打动研发场景的，是穿梭H蛋白这组结果。H蛋白在二氧化碳固定多酶体系中承担物质转运，设计蛋白不仅要自己能正确折叠、被修饰，还要嵌进既有的多酶流水线协同工作。实验显示，搭载设计H蛋白的通路，其产物浓度达到天然蛋白版本的1.7倍。

这个数字的意义在于：AI设计的序列并不只是「能用的替代品」，在特定工程化场景中已经可以超过天然模板。对酶工程、生物催化与合成生物学方向的研发管线来说，这意味着一个可预期的效率增量来源——用语言描述目标功能，直接获取高于天然基线的候选，再进入常规优化流程。

冷静观察：功能验证是起点，成药与工业应用还有长路

需要把边界说清楚。原发杰自己表示，目前基于自然语言描述的蛋白质设计模型仍处于概念验证阶段。四类湿实验验证的是「功能存在」，不是「产品就绪」。

• 距离药物开发与工业应用，还需要成药性、安全性与规模化放大的系统验证
• 更精细的设计需求——例如通过语言指令指定荧光蛋白的发光波段——仍是团队与科技界当下面临的科研挑战
• 合成训练数据的质量上限，取决于底层注释与生成模型的偏差，17亿条配对不等于17亿条独立知识
• 1.7倍的通路产物浓度是特定体系内的单点结果，不能外推为普遍性能

对药企研发的启示是现实的：Pinal目前改变的是「提出候选」这一步的成本结构，而不是整个开发周期。把它放进管线的正确位置，是早期探索阶段的候选生成器，而不是终局方案。真正值得盯的下一步，是这套「结构为桥、合成配对补数据」的范式，能否在抗体、酶药等更贴近制药的品类上，重复出同样的湿实验成功率。

原文链接：科技日报

千方医数集编辑部 出品