文章核心观点 - 美国哈佛大学与西北大学的研究团队开发出一种新型机器学习方法 能够设计具有特定性质的内在无序蛋白质 突破了当前人工智能工具在解析约30%人类蛋白质结构上的局限 [1] 技术突破与原理 - 该方法结合物理模型与机器学习技术 基于“自动微分”技术 在分子动力学模拟框架下直接优化氨基酸序列 使其具备预定的物理或功能特性 [1] - 与依赖大量数据训练的典型人工智能模型不同 该方法依托已有且足够精确的物理模拟体系 通过梯度优化高效搜索满足特定功能需求的蛋白质序列 [1] - 目标是将真实的分子行为规律嵌入设计过程 使生成的蛋白质序列不仅具备功能性 而且其设计过程根植于自然界真实的动力学原理 [2] - 设计出的蛋白质是“可微分的” 意味着每一步优化都建立在对系统物理状态连续、精确调控的基础上 而非依赖黑箱式的预测 [2] 技术应用背景与意义 - 内在无序蛋白质因其不折叠成固定三维结构而长期难以被建模 像“阿尔法折叠”等先进AI系统无法有效处理这类高度动态的分子 [1] - 内在无序蛋白质在细胞信号传导、分子传感和交联等关键生物过程中发挥着核心作用 其功能异常与癌症、神经退行性疾病等多种疾病密切相关 例如α-突触核蛋白就与帕金森病紧密关联 [1]