从自然语言蛋白设计，
到可追溯的组学智能体

作者提出 Pinal，把自然语言描述的功能目标直接映射到蛋白序列与结构候选，并在荧光蛋白、两类酶和代谢 H 蛋白四项任务中进行了实验验证。它尝试把“想要什么功能”作为设计入口，而不是要求研究者先手工写成几何或序列约束。

这项工作已在 Nature 正式发表，证据强于仅有计算基准的生成模型；但实验覆盖仍集中在四类任务，不能据此推断模型能普遍解决任意功能设计。候选生成、筛选和后续开发仍需要针对具体体系的实验闭环。

研究以局部表位窗口替代完整大靶标参与扩散设计和结构预测，并把这一近似嵌入智能体优化循环，用于在固定计算预算下探索结合策略。作者还以酵母展示对部分生成候选进行了湿实验检验。

局部切片能否保留真实构象环境，是该方案效率与偏差的共同来源；对不同靶标、柔性区域和变构界面的适用性仍需扩大验证。论文为未经同行评审的 arXiv 预印本，报告的计算与实验结果不应外推为通用成功率。

CAMOLE-1 将全原子扩散模型、物理过滤、化学合成和生化测试连成迭代流程，用于设计含非天然化学基团的肽类 MMP12 抑制剂。论文把生成模型从初始命中推进到选择性、药代性质和结构验证等更接近先导优化的问题。

这是带有真实合成和晶体结构检验的案例，但目前仍是围绕一个靶点家族展开的研发项目，平台的普适性尚未建立。该文为未经同行评审的 bioRxiv 预印本，也不构成临床安全性或有效性证据。

作者把概念瓶颈加入一次性分子图生成器，使潜变量与可读的化学概念建立显式接口，并尝试通过优化这些概念来引导生成。目标是让分子生成的调试与控制不再只依赖不可解释的潜空间移动。

论文主要验证分布拟合、有效性和唯一性等生成指标，尚未展示候选在真实靶点、合成或实验活性上的优势。因此它更像可解释生成方法的概念验证；当前版本为未经同行评审的 arXiv 预印本。

这项工作让 LLM Agent 把研究者在蛋白质组分析中临时产生的问题转成可执行检验，并把代码、输入、对照和决策保留在带时间记录的分析链中。回顾性案例显示，该流程能够定位数据库缺项、通道交换和错误修饰指派等问题。

价值在于把自然语言交互约束到可复查的计算操作，而不是让模型直接生成结论。不过研究只覆盖四个数据集和一名操作者，且缺少系统的人类对照；论文为未经同行评审的 bioRxiv 预印本，通用性仍待验证。

作者用互作组约束的深度学习网络拟合原代人肝细胞药物转录组，再通过梯度与路径分解把大规模信号网络压缩成可检验的调控模块，用于解释 MASH 中 TGFβ 与 IFNα 信号竞争。

研究进一步在原代肝细胞球体中验证部分机制假设，使模型解释不只停留在归因图上；但疾病外推仍受训练数据、网络先验和体外体系限制。该文是未经同行评审的 bioRxiv 预印本，机制结论仍需独立重复和体内验证。