说人话设计蛋白质：AI生物设计进入“氛围”时代？

据Ars Technica报道，蛋白质与基因组设计软件正在出现一种新的交互方式：用户可以用接近自然语言的方式告诉AI工具，自己想要什么样的蛋白质。报道标题以“Vibe genes?”发问，显然是在呼应软件工程中的“vibe coding”——不逐行写代码，而是用自然语言描述意图，让AI补全实现。如今，这股风潮似乎正吹向生物设计。

从参数表到“说需求”

传统蛋白质设计往往要求使用者具备较强的计算生物学背景：要设定结构骨架、突变位点、稳定性目标、表达系统，甚至还要考虑可合成性与纯化难度。基因组设计更复杂，涉及调控元件、基因线路、密码子偏好和宿主适配。自然语言界面的意义在于，它把这些参数隐藏在对话之后，让用户先表达“我想要一个能在高温下稳定、并能结合某类靶点的蛋白”，再由AI工具把模糊意图转化为可计算的设计任务。标题中的“natural(ish)”也提醒我们，这大概率不是完全自由的自然语言，而是自然语言与专业术语、约束条件混合的半结构化交互。

自然语言不会取代生物实验，但它可能改变谁有资格提出设计问题，以及一个问题多快被转化为候选分子。

为什么蛋白质设计适合生成式AI

蛋白质的本质是氨基酸序列折叠成的三维结构，而结构又决定功能。近年来，AlphaFold类模型让结构预测能力大幅提升，生成式模型则开始尝试反向设计：先定义想要的结构或功能，再生成可能的序列。业界已经出现扩散模型、蛋白质语言模型和序列设计工具，它们能在计算层面快速产出大量候选分子。自然语言接口相当于在这些工具之上加了一层“意图编译器”：用户不必记住每个模型的输入格式，而是描述目标，让代理调用预测、生成、打分和筛选工具。基因组设计同样可能受益，因为研究者可以用对话方式组合启动子、编辑位点和调控模块，快速比较方案。

“氛围”之下仍是硬约束

不过，“氛围设计”并不意味着科学约束会消失。一个可用的蛋白质设计任务，至少要被翻译成功能、稳定性、可制造性、毒性、免疫原性和序列可合成性等指标；基因组设计还要面对脱靶效应、表达泄漏和生态风险。自然语言接口的真正难点，不是让聊天机器人说出漂亮话，而是把模糊描述转成可验证的计算目标，并让每一步都可审计、可复现。如果AI只是生成一段听起来合理的序列，却无法解释约束来源和筛选依据，那么它带来的可能不是效率，而是更多需要湿实验去排除的错误候选。

降低门槛，也放大风险

从积极面看，自然语言交互可能让生物设计从少数专家的命令行工具，变成更多跨学科团队可参与的协作平台。材料科学家、临床医生和工业工程师可以更低成本地提出设计需求，计算团队则专注构建可靠的生成与评估流程。但风险同样明显：模型幻觉可能产出看似合理却无法表达的蛋白；数据偏差会让设计偏向已有数据库中的常见家族；知识产权和生物安全问题也会因门槛降低而更复杂。尤其是双用途研究，一旦设计意图被简化成一句提示词，滥用风险和监管难度都会上升。最终，所有候选仍要经过湿实验验证，而实验通量往往才是瓶颈。

编者按：界面革命，不是科学捷径

原文摘要并未披露具体软件名称、模型架构和测试结果，因此更值得关注的是交互范式，而不是某一款产品。自然语言进入蛋白质和基因组设计软件，本质上是一场界面革命：它降低了表达设计意图的门槛，也可能改变生物设计的协作方式。但界面友好不等于科学可靠。要让“说人话设计蛋白质”真正成立，行业需要把自然语言提示与可解释的约束系统、标准化评估和严格的生物安全治理结合起来。否则，“vibe genes”只会是又一个好听的概念，而不会成为可重复的工程方法。

本文编译自Ars Technica