让聊天框代替设计管线
蛋白质设计有三条主流路线。序列设计靠蛋白质语言模型从进化数据里学统计规律，结构设计靠扩散模型生成三维骨架再反推序列。但第三条路线——理性设计，始终没吃到生成式AI的红利。
理性设计靠的是人类总结的物理化学规则。比如α螺旋每转一圈约3.6个残基，每隔3到4个位置放一个疏水氨基酸，它们就会在螺旋同一侧排成一条线；几根螺旋靠疏水面贴合，就能像拼乐高一样组装成束。规则简单，但组合千变万化。
研究团队的想法很直接：这些规则都写在教科书和论文里，而大模型恰恰"读过"这些文献。但"读过"不等于"会用"——如果LLM真懂这些原理，它应该能像人类专家一样，从第一性原理推导出全新序列。
第一仗：金属结合蛋白，一轮命中
第一场实验设计结合锌离子和铜离子的蛋白质。提示词规定四件事：设计动机、结构特征（四螺旋束同源二聚体）、化学逻辑（第一配位层只用组氨酸）、交付物（10条序列加设计理由）。四个模型——ChatGPT基础版与高级思考版、Claude Sonnet 4.5、Gemini 2.5——共产出80条序列。AlphaFold3和Chai-1仍参与后续筛选，但序列本身完全出自语言模型。
BLAST和PDB搜库确认，没有一条与已知序列相似，模型没有抄袭。但四个模型"性格"迥异：Gemini偏爱高电荷重复序列，Claude的序列最多样，ChatGPT基础版富含天冬酰胺，高级思考版则收敛到单一模式。在ESM2嵌入空间里，四个模型的序列各自抱团，采样的是完全不同的序列空间。
隐忧也在这里显现。结构预测置信度普遍偏低：Chai-1给出的平均pTM只有0.49，但常规设计管线的筛选阈值在0.9以上。按行业标准，这批设计几乎没有一个能过初筛。
但序列层面，规则确实被内化了。以ChatGPT高级思考版的锌结合设计为例，序列logo显示疏水残基精准落在heptad重复的a和d位——这正是教科书里驱动四螺旋束组装的经典模式。
不过"言行不一"的问题已经露头。提示词明确要求4His金属结合位点，但80条序列里只有1条预测真正含有4His位点。LLM能把设计原理讲得头头是道，生成的序列却经常不照着自己说的做。
团队挑了12个候选做实验验证。结果6个成功表达纯化，3个展现出正确的螺旋结构和二聚体组装，且都优先结合目标锌离子而非铜离子。命中率25%——不算高，但考虑到这是一轮设计、零结构输入，这个数字超出预期。
其中LMBP-11经等温滴定量热法测定，解离常数30.1±7.67 µM。这个亲和力只到微摩尔级别，但对一个表面三位点结合设计来说，完全符合预期。
第二仗：PFOA结合蛋白，败了再打
金属结合是蛋白质设计里的"老题"，文献成熟。但第二题难得多：设计结合PFOA的蛋白质。PFOA是全氟化合物家族的代表，一种几乎无法降解的"永久化学物"。如果能做出吸附PFOA的蛋白质，生物修复就有了新工具。
团队的假设很朴素：蛋白质内部挖一个疏水空腔，容纳全氟烷基尾巴；洞口摆上带电残基，稳住羧酸头部。第一轮提示词不到200词，附上PFOA的SMILES字符串，LLM设计出五螺旋束。验证手段是¹⁹F核磁共振：PFOA一旦被蛋白质"抓住"，氟信号就会展宽变钝。6个候选全部表达、全部有螺旋结构，但信号几乎没变——第一轮全军覆没。
失败的原因藏在文献里。Woolfson实验室此前发现，六聚体螺旋桶的中央空腔更开阔，结合疏水小分子的能力远强于五聚体。团队没有推倒重来，但换了个打法：把这篇论文直接"喂"给LLM，让它把α螺旋桶的设计原则写进序列生成脚本。
第二轮的六螺旋束置信度明显更高，平均pTM 0.62对上一轮的0.49。8个候选中2个成功：
LPB-hex-186的中央孔径只有5.1 Å，但已足够容纳PFOA的疏水尾巴，与Woolfson团队报道的疏水分子结合桶相当。
能用，但远不算优秀
首先是组装状态失控：LPB-hex-175在溶液里实际形成三聚体，设计要的是六聚体，煮沸加SDS都拆不散。
其次是序列质量平庸。用ProteinMPNN对同一骨架重新设计序列，结构预测置信度从0.70跳到0.83，最佳达到0.929，而序列同一性只有26%。LLM找到了能折叠的序列，但远没找到最优的序列。
蛋白质设计的"可解释性"时刻
传统深度学习管线输出的是序列和分数，人类只能看到"是什么"。而LLM会解释"为什么"：为什么选组氨酸做配体，为什么疏水残基要放在a和d位，为什么铜离子偏好平面四边形配位。这些推理让非专家第一次有了评估设计候选的概念框架。分数会撒谎，但理由可以审查。
局限同样明显。两个任务都是相对简单的螺旋束拓扑，命中率背后是文献积累深厚的成熟设计空间，亲和力只到微摩尔级别。LLM单独做设计，目前解决的仍然只是蛋白质设计里最简单的一部分问题。但趋势已经清晰：仅在研究进行期间，更新的Claude Opus 5给出的设计分析就比Sonnet 4.6细致得多。当自然语言推理与结构生成模型在智能体工作流里汇合，设计门槛会降到什么程度——这是预印本留下的最大悬念。