10 月 21 日，华盛顿大学发布消息：David Baker 团队与 NVIDIA 联合开发的 RFD4-Proteina 已开放代码和模型权重。但这次发布的看点，藏在一组更具体的问题里：蛋白该用什么序列、折成什么形状，又该如何适配周围的分子？
研究团队把这些问题放进同一套生成流程，实验涵盖结合蛋白、糖链屏蔽和酶催化。关键变化，是让化学身份、三维构象与设计约束在生成中相互调整。 但证据也有边界：目前公开的是未经同行评审的预印本，尚不能把这些案例写成普遍能力。
先让不同分子说上同一种语言
可以把模型的表示想成一套共同的零件编码：既记录零件在哪里，也记录它是什么、如何弯折。标准与修饰氨基酸、糖、核苷酸，被编码为锚原子坐标和 32 维潜向量。 但其他分子成分仍保留显式原子与连接关系，并非万物都被压成同一种残基。
随后，生成网络同时更新位置与潜向量，解码出分子身份和原子构象。训练还引入 Rosetta 能量监督，约束重建几何。 但低能量只是计算模型下的合理性信号；潜空间覆盖 DNA、RNA，也不能直接推导出任意核酸都已能可靠从头设计。
这套系统的“推理”，更像反复校准零件，再检查装配是否合格。内部推理是在去噪步骤中循环细化预测。 但它不输出语言模型式的思维链；研究者需要为不同任务安排计算预算，把更多更新放在关键阶段。
外部推理则像沿途设检查站：先看接触面积，再看氢键，随后检查结构预测置信度，及时放弃偏离目标的轨迹。计算预算开始用于修正和筛选生成路径。 但论文也报告，简单任务或目标很晚才显现的任务，搜索收益可能抵不过额外开销。
更高的通过率，先问分母是什么
论文比较了蛋白结合、小分子结合、酶活性位点支架和 DNA 结合四类任务。蛋白结合的高预算设置，聚类通过率为 10.6%，BindCraft 为 5.9%。 但这里统计的是通过计算筛选的不同结构簇，不能读成每百次设计就有十余个实验命中。
评估先用 AlphaFold 3 重预测，再检查结构一致性与任务要求；每个靶标进行 200 次尝试，失败也计入分母。生成吞吐量与包含重预测的有效产出，是两种口径。 但把二者混写，就会把某一生成环节的提速，夸大成整条流程等比例加速。
高预算聚类通过率
同基准聚类通过率
失败计入分母
“多想一会儿”也有代价。蛋白结合从低预算切到高预算，聚类通过率从 7.7% 升至 10.6%，生成吞吐却从每 GPU 小时 2,388 个降至 986 个。 但增加计算仍可能值得：问题在于每次尝试更可靠，还是单位预算拿到更多有效候选。
另一条增益来自允许分子一起调整姿势。小分子结合任务中，配体构象可变时的聚类通过率为 14.3%，固定时为 8.1%。 但这仍是该基准上的计算结果。它支持的是“口袋与配体联动优化”这一策略，尚不等于真实结合已被验证。
真正难的，是只认对的那一个
实验首先检验“什么时候结合”。钙调蛋白会随钙离子状态改变构象，18 个设计中，12 个在有钙时表观亲和力低于 1 μM，无钙时未检测到结合。 但这个结果只支持所测条件下的状态依赖识别，不能据此推定细胞内行为。
肽—MHC 任务则要求识别目标肽，同时避开相似组合。团队在所测面板中观察到超过 100 倍的目标偏好。 但酵母展示与四聚体染色带有多价效应，图中的表观结合数值不能直接当作游离单价分子的平衡亲和力。
模型还面对没有固定形状的无序肽段。针对所测 YAP1 与 Tau 表位，最强设计的 SPR 亲和力分别为 112 pM 和 527 pM。 但高亲和力只是第一关；交叉测试中，各设计区分目标与非目标的程度仍有差异。
在人 TrkA 的无额外特异性约束设计中，188 个设计有 158 个达到亚微摩尔结合。 但这个命中率属于特定设计活动；图中不同历史活动的结果，也不能当成统一条件下的前瞻对照，更不能外推为整个靶点空间的成功率。
蛋白表面还有糖链这类会被细胞继续加工的结构。团队设计局部屏蔽，9 个设计中有 8 个在已占据位点保留超过 90% 的寡甘露糖。 但这是对糖链组成的控制证据，尚不能把潜在疫苗应用写成已经验证的免疫效果。
对磷酸化修饰，团队获得了识别组蛋白 H3 pS10 与 pT11 的结合蛋白，并测试相邻位点的区分能力。设计开始瞄准同一条肽的不同化学状态。 但展示实验中的响应中点与平衡解离常数不同，跨案例比较仍需核对测量方法。
从结合到催化，还要跨过制造门槛
酶设计把问题推得更远：原子不仅要摆得像，还得完成反应。磷酸三酯酶筛选中，288 个受测设计有 89 个显示活性。 但新活动采用八残基活性位点，早期比较对象采用六残基；改进不能简单归结为只换了一个模型。
最佳设计的催化效率 kcat/KM 达到 3,600 ± 500 M⁻¹·s⁻¹，早期六残基设计最高为 4 ± 3 M⁻¹·s⁻¹。 但不同活性位点与筛选流程共同影响结果。更复杂的化学约束已有实验支撑，能力边界仍需逐个任务确认。
更贴近制造的案例，是 lenacapavir 合成中的一步酰胺成键。67 个设计中，4 个出现高于背景的目标成键；最佳设计对 S 型胺的终点转化率为 79.0%，对 R 型为 8.8%。 但作者完成的是单步骤概念验证，并未完成整条药物合成工艺。
这组转化率来自 30°C、16 小时的分析规模实验，胺与酶浓度分别为 0.5 mM、50 μM。单步反应成立，与工业制造成立之间，仍隔着放大与经济性验证。 但它提出了值得追踪的问题：从头设计能否进一步降低酶用量，并在更高底物浓度下保持选择性？
代码能下载，版本也要对齐
对准备上手的研究者，官方代码与公开模型权重均采用 BSD 3-Clause 许可，并提供生成、搜索与评估入口。但可选第三方结构预测组件和训练数据仍有各自条款，主模型的宽松许可不会自动覆盖整条工具链。
版本同样影响复现。截至核验时，NVIDIA NIM 1.0 文档明确使用预发布检查点，与当前公开模型不同。但相同名称容易掩盖差异；比较结果时，需要同时记录代码版本、权重、采样配置和所用评估工具。
RFD4-Proteina 已把更多化学细节带入可实验检验的设计流程。但更大的考验，仍是独立团队能否在新靶点、新反应和固定预算下重复这些收益。 当候选生成更容易，下一道瓶颈会落在实验筛选，还是我们用来定义“好设计”的指标上？