新王登基？Genie 3 击穿全原子蛋白设计天花板

5月1日，哥伦比亚大学 AlQuraishi 实验室在 bioRxiv 上放出了 Genie 3。一句话总结：在蛋白设计最重要的三项任务上全面登顶，同时比现有最好的方法快了一个数量级。

这三项任务分别是：无条件蛋白生成（从零造蛋白）、功能基序搭建（在新蛋白里嵌入已知功能结构）、以及最具应用价值的结合剂设计（设计一个蛋白去结合目标蛋白，可以做药、做诊断工具）。Genie 3 在这三项上都拿到了 state-of-the-art。

蛋白设计的速度与精度之争

要理解 Genie 3 为什么重要，先得知道当前蛋白设计领域的核心矛盾。

目前最强的结合剂设计方法是 BindCraft，属于"幻想法"——让 AlphaFold 当裁判，反复优化蛋白序列直到 AlphaFold 认为它能结合目标。精度高，但极慢，一个样本要几百到上千秒。

另一边是"生成法"，用扩散模型学习蛋白结构的分布，直接采样新设计。速度快很多，但精度一直追不上幻想法。

这个"快但不够准 vs 准但太慢"的矛盾，就是所谓的"生成-幻想鸿沟"。

Genie 3 第一次把这个鸿沟关上了。作为生成模型，它在10个结合剂设计基准问题中的7个上超过了 BindCraft——不只是速度上赢，绝对成功数也赢了。而且 Genie 3 每个样本只要十几到几十秒，BindCraft 则需要几百到近两千秒。

怎么做到的

技术层面，Genie 3 做了一个关键的逆潮流选择。

最近两年，蛋白设计模型为了处理侧链原子（全原子建模），纷纷放弃了一种叫 SE(3)-等变性的物理对称性——这是 AlphaFold2 到 AlphaFold3 演进中确立的路线，业界基本跟风。代价是训练成本更高，需要大量数据增强。

Genie 3 反其道而行：用一种新的数学表示方法，把蛋白当作"有分支的聚合物"来处理，既做到了全原子建模，又保住了等变性。不需要数据增强，训练更高效，效果还更好。

此外，Genie 3 还把扩散采样步数从 1000 压到了 100，直接带来 10 倍速度提升，生成质量几乎没有损失。

图1 | Genie 3 架构总览。蛋白被表示为"支链聚合物"，已知残基用全原子表示，未知残基仅用骨架。前向过程加噪，反向过程通过等变去噪器预测结构。（图源：论文 Figure 1）

数字说话

无条件生成：在长蛋白（300-800残基）上远超所有对手。值得注意的是，Genie 3 训练时最长只见过 256 残基的蛋白，长蛋白性能完全是域外泛化。

图2 | 生成与基序搭建性能。上：长蛋白生成多样性对比，Genie 3 在 300+ 残基区间大幅领先。下：MotifBench 得分，Genie 3 解题最多且分数最高。（图源：论文 Figure 2）

基序搭建：在 MotifBench 30 个挑战中，解题数并列第一，综合得分最高。

结合剂设计：10 个问题中 7 个领先。按 GPU 时间归一化后差距进一步拉大。而且 Genie 3 和 BindCraft 的成功设计几乎不重叠——两者探索完全不同的结构空间，高度互补。

图3 | 结合剂设计全景。(C) 10个任务上各方法的成功设计数，Genie 3 在 7 个上领先。(D) Genie 3 与 BindCraft 的设计几乎不重叠，高度互补。(E) Nipah 实验验证，K_D ≈ 92 nM。（图源：论文 Figure 3）

实验验证：Nipah 病毒 92nM 命中

光靠计算指标说服力有限。Genie 3 参加了 AdaptyvBio 组织的 Nipah 病毒结合剂设计竞赛——目标是设计能结合 Nipah 病毒糖蛋白 G（一个四聚体，结构表征极少）的蛋白。

Genie 3 生成 200 个设计，筛选后提交 8 个。8 个全部表达成功，其中 1 个测到 K_D = 92 nM 的结合亲和力。命中率 12.5%。

同一竞赛中，RFDiffusion 提交 60 个命中 3 个（5%），BindCraft 提交 100 个命中 1 个（1%），BoltzGen 提交 288 个命中 2 个（0.7%）。

论文也坦承，不同团队的设计和筛选流程不同，这些数字不能直接类比模型性能。但 12.5% vs 不到 5% 的差距确实显眼。

几个值得注意的点

Genie 3 还提出了一种"收敛热点"策略：先做一轮设计，从成功案例中学习哪些结合界面残基最重要，再用更新后的信息做下一轮。每一轮都比上一轮好，是真正意义上的推理时缩放。而且这个策略只对 Genie 3 有效，其他模型用了基本没提升。

图4 | 推理时缩放与热点策略。(A) Genie 3 vs Proteina-Complexa 的缩放行为。(C) 收敛热点在 TNFα 上实现逐轮递增的成功率。(D) 热点扩展只对 Genie 3 有显著提升。（图源：论文 Figure 4）

另外要保持冷静的是：所有结合剂评估都依赖 AlphaFold 预测作为筛选器，而这个筛选器本身精度不高（最高约 12%），对部分靶标完全失效。用不完美的裁判评比选手，结论天然有局限。

所以这意味着什么

生成法第一次全面超过幻想法。"生成模型不够强，只能靠 AlphaFold hallucination 补"的叙事可能要改写了。

10 倍速度不只是"快一点"。它意味着迭代设计、大规模筛选、多轮优化这些以前算力不可承受的工作流变得可行。对算力受限的学术组和小公司尤其重要。

SE(3)-等变性的复兴。全行业跟着 AlphaFold3 放弃等变性，Genie 3 用实际结果证明这条路线未必对。这可能会影响后续模型的架构设计方向。

新王登基？至少，旧格局已经被打破了。