J Transl Med 西南医科大学张春祥教授团队综述基于人工智能的从头蛋白质设计与临床应用变革

深度解析医学证据，DeepEvidence为你支撑决策

蛋白质类生物制剂在疾病预防、诊断和治疗中发挥着不可替代的作用，但其研发长期依赖天然蛋白质骨架，面临开发周期冗长、结构与功能可调性有限、批次一致性难以控制以及生产成本高昂等瓶颈。作为一种新兴策略，从头蛋白质设计(de novo Protein Design)突破了传统天然模板的结构与功能约束，能够直接构建具有定制化结构和功能的人工蛋白，为克服上述限制提供了全新的技术路径。

近年来，人工智能(Artificial Intelligence, AI)技术，尤其是以深度学习为核心的计算模型，显著加速了从头蛋白质设计的发展进程，使高亲和力、高稳定性的功能蛋白结构能够通过计算高效、快速获得。然而，此类蛋白多由非天然序列构成，其体内分布、清除途径及长期安全性呈现出与传统生物制剂显著不同的特征，其临床转化仍面临多重挑战。

2026年2月4日，西南医科大学心血管医学研究所张春祥教授团队在Journal of Translational Medicine发表题为“De novo protein design: a transformative frontier in clinical protein applications”的综述，对从头蛋白设计在临床转化中的应用前景进行了系统梳理与深入分析，重点强调了人工智能驱动的设计方法，尤其是深度学习技术，在推动该领域取得突破性进展中的关键作用。作者系统总结了从头蛋白设计的主要计算框架，阐明了以深度学习为核心的新一代结构生成与序列设计算法如何显著提升从头设计蛋白的结构合理性与功能可行性，并由此拓展了从头设计蛋白的应用边界。在此基础上，文章归纳了从头设计蛋白的多样化应用方向，包括高亲和力蛋白质结合蛋白、靶向内在无序区及肽段的结合蛋白、小分子结合蛋白、受体激动剂蛋白、疫苗支架蛋白以及可编程蛋白开关等模块化功能蛋白体系。值得注意的是，作者进一步系统剖析了从头设计蛋白面临的关键转化障碍，如药代/药效学差异、免疫原性机制、CMC放大生产难题、毒理学风险以及纳米颗粒和寡聚体支架临床可行性等问题，并提出相应的优化策略。同时，文章还指出该领域仍存在若干方法学与应用层面的局限，包括深度学习模型泛化能力不足、体外活性难以有效转化为体内疗效、β-rich蛋白结构设计难度较高以及复杂功能仍依赖定向进化进一步优化等挑战。 

AI驱动的从头蛋白设计流程

在人工智能技术的推动下，从头蛋白设计逐渐形成了一套相对成熟的设计流程。针对不同类型的靶点(如小分子、蛋白界面或多肽)，该流程通常结合①RFdiffusion生成蛋白骨架、②ProteinMPNN优化氨基酸序列，③并利用 AlphaFold2进行结构预测与筛选，从而在设计阶段即可显著提升结构合理性与功能可行性，大幅降低对后续大规模定向进化和高通量实验筛选的依赖。

人工智能对从头蛋白设计产生变革性影响的根本原因在于其不同于传统基于物理的设计策略。以Rosetta为代表的传统物理方法主要依赖显式能量函数和局部构象采样，在探索蛋白序列、结构与功能高度耦合的复杂高维空间时受到一定限制。相比之下，深度学习方法通过学习大规模蛋白序列和结构数据中蕴含的统计规律，更全面地刻画了序列—结构—功能之间的内在关系，使得候选蛋白能够在更广阔的设计空间中直接生成。与此同时，以AlphaFold2为代表的结构预测模型在候选设计的评估与优先级判定方面表现出更高的准确性，从而提高了在有限实验验证条件下获得高亲和力、结构可靠蛋白分子的成功率。 

从头蛋白质设计的功能分类及临床应用概览

结合剂(binder)：结合剂类蛋白以特异性识别并结合特定靶点为核心功能，可进一步分为三个亚型。蛋白质结合剂通常为结构紧凑、稳定折叠的小型蛋白，能够以高亲和力和高特异性识别靶蛋白，因此广泛用于抑制、功能阻断或靶向递送等治疗与诊断场景。固有无序区及肽段结合蛋白则主要针对传统抗体难以有效识别的瞬时或构象异质性表位或多肽，通过干预无序区域或短肽介导的相互作用，拓展了可成药蛋白质组的范围。小分子结合蛋白可选择性识别或包裹小分子配体，从而实现分子传感、解毒中和或生物利用度调控等功能。这些结构与功能特征的差异直接决定了各亚类在不同治疗场景中的适用性。

受体激动剂(Receptor Agonists)：与单纯以结合为目的的结合剂不同，受体激动剂不仅需要与受体特异性结合，还需稳定受体的活化构象以触发下游信号通路，从而实现功能性激活。这一机制对蛋白设计的空间构象和几何排布提出了更严格的设计要求，但也使其相较于天然配体具有更高的信号调控精度和功能可塑性。这类蛋白的成功设计在很大程度上依赖于人工智能辅助的结构建模与构象优化能力。 

从头设计蛋白技术应用于受体激动剂设计的主要原理

疫苗支架(Vaccine Scaffold)：疫苗支架则作为结构化呈递平台，以预设的空间排列方式展示抗原表位。通过将支架与表位片段进行基因融合，可在正确的三维构象下稳定呈递抗原，尤其适用于重构不连续的B细胞构象表位。此外，将表位修饰的支架整合至从头设计的蛋白纳米颗粒中，可实现多价抗原呈递和高密度展示，从而显著增强免疫原性。

蛋白质开关(Protein Switch)：蛋白质开关是指能够响应特定外部刺激发生可逆构象或功能转变的调控型蛋白，可将分子识别事件直接转化为信号输出，实现分子层面的感知与调控。这类蛋白不仅兼容简单、无需洗涤的均相检测体系，在即时诊断中具有明显优势，还可通过环境依赖性激活或失活实现治疗功能的精确时空控制，从而提高安全性并降低脱靶效应。 

从头设计的LOCKR蛋白开关系统及其衍生体系

尽管人工智能驱动的从头蛋白设计在结构生成效率与功能定制能力方面取得显著突破，其临床转化仍面临多重生物学、工程学及制造层面的挑战。

在转化医学层面，结合蛋白与传统单抗在药代动力学与药效学特征上存在本质差异。由于分子量较小和缺乏Fc介导的回收机制，从头设计蛋白普遍表现出快速肾清除和极短半衰期，虽有利于分子影像与短效免疫调控，但可能会限制治疗应用，因此需通过白蛋白结合或PEG化等策略延长体内暴露时间。同时，尽管多数从头蛋白具有较小尺寸、高稳定性和低聚集倾向，整体免疫原性较低，但非天然序列仍可能诱导抗药抗体反应，长期安全性仍需谨慎评估。

在可开发性方面，虽然从头蛋白易于在大肠杆菌表达、具备良好溶解性和制造成本优势，但仍需满足CMC规范、批次一致性和规模化生产等工业化要求。此外，毒理学风险主要来源于过度药理效应及肾脏暴露累积，需通过剂量控制与工程改造降低风险。对于纳米颗粒疫苗与寡聚支架，过高抗原密度、空间位阻、体内解体及抗scaffold免疫反应等问题同样限制其临床可行性。

在方法学层面，当前深度学习驱动设计仍受数据集偏倚、泛化能力不足及对蛋白动态构象表征不足的限制，蛋白在体外实验中表现良好但难以转化为体内疗效，β-富集蛋白结构设计难度较高，以及复杂功能仍依赖定向进化进一步优化等问题尚未彻底解决。

总体而言，未来从头蛋白设计的成功不再仅取决于结合亲和力提高，而更依赖于人工智能驱动的计算设计、实验验证、工程优化与临床需求之间的深度整合。将药代学、安全性与可制造性评估前置到设计早期，建立“设计—实验—反馈”的闭环优化体系，将是推动该领域由概念验证迈向真实临床应用的关键路径。

西南医科大学心血管医学研究所张春祥教授、余烊博士为本文通讯作者；西南医科大学心内科硕士研究生高洁和攀枝花中心医院心内科郑在勇博士为本文共同第一作者。西南医科大学附属医院心内科作为第一作者和通讯作者单位。本研究获得了国家自然科学基金、国家慢病重点专项、四川省自然科学基金、中央引导地方科技专项和西南医科大学科研启动经费支持。

原文链接：

https://link.springer.com/article/10.1186/s12967-026-07784-0