“ 我们希望AI蛋白模型能够学习到超越自然已解析蛋白质折叠规律的底层逻辑，并指导我们对尚未探索但具有生物合理性的蛋白质空间进行采样 ”

---

01

何为“幻觉设计”

　　Hallucination 设计是一种生成式蛋白质设计思路，通过将蛋白质结构预测模型反向使用来设计新序列。具体地，给定目标蛋白结构（或复合物），我们从随机序列开始，反复将序列输入结构预测模块（AlphaFold2/ RoseTTAFold），计算预测结构的置信度指标（如 pLDDT、ipTM），并对这些指标进行反向传播优化序列。这样序列和结构“Codesign”，逐步收敛到一个预测置信度高、符合设计目标的结合蛋白。

　　Hallucination的方法最初由Baker Lab提出，用于生成单体或对称多聚体结构（Science 2022 “对称体幻觉”设计），近年被推广到蛋白质结合物设计（binder）。与传统基于物理能量函数的设计方法不同，Hallucination设计无需预定义折叠骨架，而是利用训练好的深度模型学到的“能量景观”来探索序列空间。

“ 正如《Hallucinating symmetric protein assemblies》的第一句——Deep learning generative approaches provide an opportunity to broadly explore protein structure space beyond the sequences and structures of natural proteins, 我们希望AI蛋白模型能够学习到超越自然已解析蛋白质折叠规律的底层逻辑，并指导我们对尚未探索但具有生物合理性的蛋白质空间进行采样”

　　基于幻觉的设计背景源于深度学习结构预测的突破。AlphaFold2 和 RoseTTAFold 等模型具有极高的结构预测准确度，同时输出的 pLDDT、pAE 等置信度分布可以视为序列-结构匹配的代理目标。研究者发现，通过对这些置信度指标进行梯度优化，可“幻觉出”全新的蛋白质结构。Binder 设计方法以此为基础，将结构预测模块得到的指标组合为损失函数，通过反向传播直接生成与目标蛋白结合的蛋白质序列。例如，BindCraft 算法即利用 AlphaFold2模型的权重，将目标蛋白与随机序列共同输入网络，不断调整序列以最小化Loss。这种幻觉设计理念使得设计者能够“直接在神经网络里探索”结构空间，从而生成常规模板或对接方法难以覆盖的新型结合蛋白序列。

---

02

主流模型

　　在具体实现上，典型的幻觉式 binder 设计工具均采用预训练的深度结构预测网络作为评估和优化器。

        ColabDesign 是 Sergey Ovchinnikov 实验室推出的一个开源pipeline合集，支持多种设计方法，其中核心模块AfDesign也是BindCraft设计的核心模块。ColabDesign 平台包含 P(structure|sequence) 的设计模块（如 TrRosetta-Design, AfDesign 等）以及 P(sequence|structure) 的模块（如 ProteinMPNN）。其中，AfDesign模块实现了基于 AlphaFold2 的 binder 幻觉设计功能：用户可自行或在 Google Colab 上提供目标结构和 binder 长度等设定，系统自动迭代优化序列以满足结构约束。其实现无需重新训练模型，基于Alpha-Multimer的权重进行梯度计算。

　　“ColabDesign作者Wang Jue为了使AlphaFold2支持反向传播做了不少interesting的操作，此处由于篇幅原因不过多介绍。由于AlphaFold2基于jax的架构，ColabDesign也采用jax，在代码阅读上对于习惯pytorch的读者有一定挑战性。如果感兴趣可以移步知乎Peldom学长写的三篇《AI+蛋白设计｜AlphaFold2的梯度回传》，对于技术实现写得非常细节”

　　BindCraft（Pacesa et al, 2024）就是融合ColabDesign成功实现高质量设计的代表之一，声称设计成功率10%-100%。其流程如下：输入目标蛋白结构及一个随机初始化的 binder 序列，调用 AlphaFold-Multimer 预测复合物结构；输出 ipTM、pLDDT、pAE 等置信度值，加权求和作为损失函数并计算梯度；然后通过反向传播更新 binder 序列（one-hot 表示），优化 ipTM 和 pLDDT 等损失函数，以生成亲和力高的结合蛋白。BindCraft 不需任何实验数据或已知结合位点，完全依赖AlphaFold-Multimer的参数。同时结合了ProteinMPNN（结构到序列模型）等手段，在优化过程中提高序列的可合成性和多样性。整个管道自动化，一次“设计”流程即可产生上百个候选序列，然后通过实验验证。

BindCraft flowchat

---

　　“BindCraft严格来说应该算一种混合设计模型（ColabDesign+ ProteinMPNN ），可以抽象理解为利用AlphaFold-Multimer反向传播对Binder interface部分进行结构序列的codesign，再用ProteinMPNN对Binder非interface的scaffold区域序列进行redesign。如果湿实验的高成功率（10%-100%）是真实的，说明interface和scaffold分开设计的hybrid design方法或许是Binder design一个不错的思路”

　　此外，BindEnergyCraft（2025 preprint）提出将 AF2 置信度解析为能量模型（pTMEnergy），仅仅修改了BindCraft的Loss function便显著提升了幻觉设计的性能，并在体外测试中超越了 BindCraft 和 RFdiffusion。 FoldCraft 引入额外约束（接触图相似度）进行聚合物条件设计，但只进行了基于AF3的insilico评估，有效性有待进一步评估。总体而言，这些方法大多共享模块化设计：以结构预测模型为核心，结合多种损失函数（预测准确度、界面亲和力等），通过梯度或采样等方式搜索序列空间。

　　除了以上基于AlphaFold2权重反向传播进行Binder design的工具，AlphaFold3的横空出世也让基于AlphaFold3进行设计的思路成为可能。BoltzDesign1（2025）构建于 Boltz-1（ AlphaFold3开源实现）之上，扩展了设计目标范围，可设计结合小分子、核酸、金属和修饰蛋白的结合物。在无实验优化的条件下，使用 Boltz-1 结构预测进行幻觉优化，生成了对多种配体（包括药物分子、DNA、RNA、金属离子和带共价修饰的蛋白）有高预测亲和力的结合蛋白。虽然尚待实验验证，但 BoltzDesign1 在模拟测试中的成功率高达 90% 以上。

---

03

应用场景

        抗体与纳米抗体设计是幻觉设计的重要场景之一。如Takafumi等研究中，通过 AfDesign 重新设计抗体的 CDR 环（补体决定区）序列，在无需结构先验的情况下优化抗原结合亲和力。该方法针对已知的抗原-抗体复合物，随机生成 CDR 序列并迭代优化，实现了替换后抗体结合能力的提升。

        小肽与环状肽设计也是活跃领域。Kosugi 等（2022）利用 AfDesign 的 binder 幻觉，对抗体-蛋白相互作用界面设计小肽，并进一步引入溶解度损失控制肽链亲水性。他们的结果表明，通过调整损失函数权重，生成的肽序列保留高亲和力同时显著提高可溶性。另有工作利用幻觉设计环肽（cyclic peptide），靶向蛋白–蛋白相互作用界面，实现了高可溶性结合肽的定向生成。

        过敏原、细胞受体等靶点的结合物设计是BindCraft文章内的湿实验成功案例。BindCraft 实验性验证了一系列不同目标，包括花粉过敏原（通过设计 binder 降低 IgE 结合）、Cas9（影响基因编辑活性）、细菌肠毒素（降低细胞毒性）等。此外，BindCraft 还开发了 AAV 载体重定向技术：通过设计特异性结合细胞表面受体的binder，将病毒载体定向至特定细胞类型。这说明结合物不仅可用作抑制剂，也能作为靶向递送元件。

---

04

主流方法对比

　　与对接（docking）或模板驱动（template-driven）的传统方法相比，幻觉式设计具有显著区别和优势。传统方法通常先筛选或准备一个蛋白骨架库（如基于模板库或随机蛋白库），然后使用分子对接算法（如 Rosetta Docking）来评估绑定模式及结合能。这需要大量的先验信息（如已知结合位点或类似结合物结构），且因为物理力场或打分函数的不完美，往往必须设计上千上万候选序列并进行筛选才能找到少数有效 binders。例如，Baker 实验室报道的 Rosetta 设计方法，对 13 个不同目标位点设计结合蛋白时，需要生成上千万个候选，最终只有极少数获得亚微摩尔亲和力。这种方法适应性较差：如果无法找到合适模板或库，就无法设计新结构；且对结合位点形状的匹配度要求很高。相较而言，幻觉法无需预设骨架模板，可直接在新序列空间中创造全新的折叠形状，使得设计更加灵活多样。

　　与传统序列为主（sequence-based）方法（如统计共进化模型、语言模型生成等）相比，幻觉方法显著不同。传统基于序列的方法主要学习序列统计规律，或根据给定骨架使用 ProteinMPNN 此类模型预测序列（P(sequence|structure)），但它们不涉及动态评估结构折叠。幻觉方法在设计过程中同时考虑序列和结构，通过多次结构预测确保生成的序列可稳定折叠且与目标界面匹配。例如，Binder Hallucination在每次迭代中预测复合体结构，并以结构置信度为损失进行优化。这使得幻觉设计在生成能力上更强：它能探索超出已知序列和结构范畴的新蛋白折叠样式；而传统序列方法往往受限于训练数据，不易跳出已知蛋白空间。

　　在结合亲和力预测和适应性方面，幻觉式方法与传统方法亦有差异。传统对接方法通常使用经验力场计算结合能，而幻觉式设计则依赖structure prediction model输出的置信度指标。尽管这些指标是近似的“预测结构质量”，但它们直接反映了网络对复合物结构可行性的信心。在适应性方面，幻觉设计能够轻松集成新损失项（如设计时加入可溶性优化），并可以针对不同靶点类型（例如蛋白、核酸、小分子）采用不同优化策略。传统方法往往需要为每种Target手工调整流程，而AI方法依托于模型的模块化，可更快速地迭代。

---

05　

“幻觉设计”之困境

　　一个问题是设计精度与稳定性。当前方法往往依赖预测模型的置信度作为目标，但实际实验验证中仍有失配或结构不稳定的问题。例如，Wicky 等的对称体幻觉设计中，大量设计无法在实验中成功表达，表明“过拟合”风险，即网络优化可能生成在生物体系中不具备稳定性的序列。因此，提高生成序列的可表达性和可折叠性（如通过更多约束或额外损失）是未来工作重点。

　　另一个问题还是模型局限与泛化。AlphaFold2 等模型虽然强大，但依赖于蛋白质多序列比对（MSA）信息，对纯设计序列可能有所偏差。有研究使用单序列 AF2 或微调模型来减小依赖。另一个挑战是幻觉方法目前主要针对蛋白–蛋白界面，对于高度柔性靶点仍有难度。

　　“为了使反向传播能够实现，AlphaFold2原架构中的3次recycles无法进行（相当于AlphaFold2的recycles=3 变为 0）对于结构预测的准确度会存在一定下降，可能会进一步影响设计质量”

---

　　

未来来看，任何基于In silico的设计和优化最终还是要落回到湿实验验证。将幻觉设计与湿实验自动化相结合（如微流控高通量筛选、机器学习预测免疫原性等）可加速验证闭环优化。总之，随着更强结构预测模型和高效优化算法的出现，幻觉式 binder 设计有望逐步解决当前挑战，迈向更可靠的药物理性设计。

06

写在最后

　　在晶泰做AIDD实习生已经四个月啦，非常感谢师兄师姐们对我的照顾。在AIDD领域，Diffusion，LLM，GNN等一众大模型八仙过海，涉及架构之广，模型迭代之快，学习起来颇有蚍蜉撼树之感。创建这个公众号与大家一起分享探讨一下AI4Protein的新鲜事，也对自己阶段性的学习成果进行整理。才疏学浅，有不当之处恳请各位批评指正！也欢迎大家一起探讨AIDD的边界🥳