针对传统的蛋白设计依赖物理计算、计算成本高、设计空间受限，且难以同时处理多模态目标的局限，麻省理工学院与多家机构合作推出了 BoltzGen， 以几何连续表示代替传统离散残基标签，实现蛋白折叠与结合体设计的联合训练，并构建了灵活的设计规范语言，实现了跨分子类型的可控生成，提高了 模型的设计效率、通用性和可解释性。 在药物研发和生物分子工程领域，「De-novo 蛋白设计（De-novo Binder Design）」是药物研发自动化的核心方法之一。研究人员能够借助计算模拟与深 度学习，在特定靶点上生成具有结合能力的肽链或蛋白结构，抗体、纳米抗体、环肽等新型药物形态的开发也因此成为可能。 然而，传统的蛋白设计策略多依赖基于分子动力学模拟等物理计算及序列优化算法。虽然在单个体系中可达高精度，但计算成本高、设计空间受限，且难 以同时处理蛋白质小分子和 RNA 等多模态目标。而目前的深度生成模型一定程度上提高了生成速度，却普遍缺乏「原子级别」的结构推理能力，针对特 定类别分子进行优化，通用性有限；同时，其模型评估常依赖训练集中已有相似复合物，难以验证其对「未见靶点」的泛化能力，缺乏可控的生成机制与 灵活的结构约束表达 ...