最能证明AI设计蛋白质的单一临床证据是什么？
最有力的证据来自2023年《自然》杂志的一项研究。研究人员利用名为RFdiffusion的扩散模型，从零开始设计了数百种新型蛋白质。随后，他们通过实验对这些设计进行验证，发现其中一种用于结合流感血凝素的蛋白质结合体的冷冻电镜结构，与最初的计算机模型几乎完全一致[3]。这意义重大，因为冷冻电镜能以近原子分辨率呈现真实蛋白质的三维结构，因此设计模型与实验结果吻合，意味着人工智能的预测基本准确。该研究还验证了其他多种设计：对称组装体、金属结合蛋白以及其他结合体，这些设计均按预期发挥作用[3]。这并非偶然的幸运一击，而是系统性证明了该方法能够可靠地生成功能性蛋白质。
其他研究是否支持这一发现，还是这只是一个炫目的孤例？
证据来源不止一项研究。2024年《细胞》杂志上的一篇综述回顾了整个从头蛋白质设计领域，并得出结论：如今，新的蛋白质折叠结构和高阶组装体已能以“相当高的实验成功率”进行设计[1]。这意味着人工智能方法不仅偶尔能取得突破，而是能够持续生成按预期折叠并发挥功能的蛋白质。另一篇2023年发表于《自然·生物技术》的文章描述了蛋白质工程师如何利用AlphaFold2等机器学习工具来推进“更复杂的从头蛋白质设计”，证实了该方法正被广泛采用并产出成果[4]。这些文献共同表明，RFdiffusion的成果是日益增多的证据体系的一部分——即人工智能设计的蛋白质在实验室中确实有效。
需要注意哪些问题——证据中是否存在风险或空白？
在结构和结合准确性方面证据充分，但尚未涵盖长期临床结果，例如在人体中的安全性和有效性。此处引用的论文均未报告人体临床试验结果，所有证据均来自实验室实验和动物模型[1][3][4]。此外，2026年《微生物学前沿》的一篇论文提出了生物安全担忧：AI生成的蛋白质在功能上可能与已知毒素等效，但序列相似性极低，这意味着现有筛查方法可能无法识别它们[2]。这并未削弱其临床前景，但凸显出：使这些蛋白质具有治疗潜力的强大能力，同时也带来了需要管控的新风险。2025年《开放研究欧洲》的文章还指出，尽管AI彻底改变了蛋白质结构预测，但在理解蛋白质动力学和聚集方面仍存在挑战，这可能影响这些蛋白质在体内长期的行为表现[5]。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2023年至2026年间，其中3篇为2024年及以后发表，4篇发表于Q1期刊，总被引次数达1863次——这些研究是从通过质量筛选的5项研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索出的50篇文献。
本文引用的文献
从头设计蛋白质——从新结构到可编程功能
这篇2024年发表于《细胞》的展望文章回顾了该领域，指出如今新蛋白质折叠结构及高阶组装体的设计已具备“相当高的实验成功率”，并且诸如可调控构象控制等难题也正变得触手可及。
蛋白质设计、生成式人工智能与生物安全。
《Frontiers in Microbiology》2026年的一篇综述警告称，人工智能生成的蛋白质在功能上可能与已知毒素相当，但序列相似性极低，从而可能规避当前基于同源性的生物安全筛查。
使用RFdiffusion从头设计蛋白质结构与功能
2023年《自然》杂志的这项研究表明，RFdiffusion设计了数百种新蛋白质，其中针对流感血凝素设计的一种结合蛋白的冷冻电镜结构与设计模型几乎完全吻合，证实了该方法的准确性。
AI增强的蛋白质设计能够创造出前所未有的蛋白质。
《自然生物技术》2023年的一篇文章报道称，蛋白质工程师正利用快速发展的机器学习工具和AlphaFold2，致力于更复杂的从头蛋白质设计。
当人工智能遇上蛋白质研究
《Open Research Europe》2025年的一篇文章指出，AlphaFold等人工智能工具虽已革新蛋白质科学，但在理解蛋白质动态变化及淀粉样蛋白聚集方面仍面临挑战。