让蛋白质设计像文生图一样简单，大卫・贝克团队等提出文本条件化全原子生成模型

编辑丨cherry

从头设计蛋白质的一个核心挑战是生成具有指定特性的蛋白质。现有模型通常需要为每一种特性使用专门设计的输入表示，这限制了它们所支持的设计目标。

最近，华盛顿大学大卫・贝克（David Baker）团队联合新加坡国立大学（NUS）等，提出了一种文本条件化的全原子蛋白质结构生成模型 ——Prompteina。

Prompteina 以自然语言提示为输入，生成全原子结构。通过单一自然语言接口，Prompteina 可以指定所生成蛋白质的期望结构和功能特性，让蛋白质结构生成类似于文本到图像生成。

为了训练 Prompteina，研究团队还构建了文本 — 蛋白质结构数据集 ——Prompteina-Data，包含 180 万个结构和超过 5000 万条描述整体及残基特异性结构和功能特性的说明文字。

论文地址：https://arxiv.org/abs/2610.13917

开源地址：https://github.com/jleechung/prompteina

文本条件化的生成模型

一个自然语言条件化接口应当让蛋白质设计者能够指定跨结构尺度的特性，从整个蛋白质的全局特性（如折叠类别和整体形状），到残基特异性特性（如二硫键、催化位点和结合体 — 靶标接触）。

因此，研究团队首先构建了 Prompteina-Data，一个将蛋白质结构与跨尺度自然语言描述配对的数据集。

具体来说，Prompteina-Data 基于 Protein Data Bank（PDB; Berman et al., 2000）中的实验结构、AlphaFold 数据库（AFDB; Varadi et al., 2022）中的预测结构以及 Teddymer 合成二聚体（Didi et al., 2026）而构建。

模型 Prompteina 建立在预训练 Complexa 模型（Didi et al., 2026）之上，增加了两条文本条件化通路和一个辅助的文本 — 残基对齐目标。

全局和残基级文本条件化。Complexa 的去噪器生成主链坐标和每个残基的一个侧链潜变量，然后由一个冻结的变分自编码器将二者解码为全原子结构和氨基酸序列。为了给每个残基提供相同的全局特性条件化信号，该研究通过自适应层归一化广播（broadcast）来自冻结 Qwen3-Embedding-8B（Zhang et al., 2025）的池化嵌入。

文本 — 残基对齐。在文本条件化预训练中，该研究使用流匹配损失训练去噪器，但没有直接监督哪些残基对应文本片段。Prompteina-Data 包含许多注释的残基位置，研究团队利用这些位置构建文本 — 残基对齐注释。

仅采用单一自然语言接口，Prompteina 就可以指定所生成蛋白质的期望结构和功能特性，包括但不限于：

• 折叠与拓扑：整个蛋白质或每个结构域的 CATH 类别和架构
• 二级结构：螺旋、链和片层的数量，以及片层拓扑
• 三级基序：二硫键和盐桥的数量
• 全局形状：大小、紧凑性、对称性、接触序、柔性
• 表面特性：平面性、空间聚集倾向、埋藏未满足极性基团
• 界面：界面残基数量、埋藏表面积、界面几何、疏水性
• 功能：某一家族或活性，例如溶菌酶或绿色荧光蛋白

Prompteina 目前支持单体设计和蛋白质结合体设计，并可在设计活动中与智能体集成。其自然语言接口使智能体能够将研究直接转化为设计提示，从而获得比同一智能体使用现有模型时更高的界面置信度。

实验评估

在结构特性基准测试中，Prompteina 在 18 项任务中的 15 项上领先基线，支持的特性比任何单一基线都多，并且生成的蛋白质与其预期功能描述更加匹配。

在更精细的结构尺度上，Prompteina 在 20 个靶标上调控结合体 — 靶标界面的残基数量（ρ > 0.99）。

除了调控单个界面特性外，该研究还在智能体引导的蛋白质结合体设计中评估了 Prompteina。同一个语言模型智能体根据每个模型条件化接口所支持的特性来编写规格。Prompteina 在 20 个靶标中的至少 13 个上优于所有基线，并将界面置信度较最强基线提高了 14%。

作为概念验证，该研究还针对 GM2A 开展了一项前瞻性、智能体引导的设计活动。GM2A 是一种与 GM2 神经节苷脂沉积症相关的蛋白质，此前尚无已报道的从头设计结合体。Prompteina 在 90 个测试设计中产生了 9 个结合体。

这些结果表明，Prompteina 确立了自然语言作为一种有效的条件化接口，能够实现跨尺度的结构和功能控制，并且可以将基于语言的推理和迭代优化整合到蛋白质设计中。

感兴趣的读者可以阅读论文原文，了解更多研究内容。