当 AI 学会“造酶” ：RFdiffusion 的三次飞跃

在蛋白质科学领域，有两大“高峰”始终令人望而生畏：

● 其一为“预测”——给定氨基酸序列，预测其最终折叠形成的结构；

● 其二为“设计”——从目标功能出发，反向推导并构建出全新的蛋白质结构与序列。

前者的突破得益于AlphaFold 2，后者的关键转折点则是RFdiffusion的问世。短短三年内，从2023年的v1版本，到2025年的v2与v3版本，RFdiffusion系列持续刷新着人们的认知：

● v1版本证明了“AI可从零生成全新蛋白质骨架”，并在大规模任务中验证了这条全新设计路径的可行性；

● v2版本攻克了“酶活性位点设计”的难题，将这一领域的“圣杯”目标进一步推向现实；

● v3版本则向“全原子-多模态分子”方向迈进，目前已能生成侧链原子的3D坐标，但仍需借助序列设计工具（如LigandMPNN）；

● 当然，我们更期待其下一版本能在不依赖额外序列设计工具的情况下，独立完成蛋白质设计。

我们的 SciMiner 平台已部署 RFdiffusion v1 与 v2，并将在 v3 开源后第一时间跟进，让更多科研人员能够直接体验这场“AI 造蛋白”的革命。

初登舞台：v1 打开生成式蛋白设计的大门

2021-2022 年，AlphaFold2 震撼发布，让蛋白结构预测的问题在很大程度上得到解决。可设计新蛋白，仍是一道几乎无法跨越的难题。

传统的酶或结合蛋白设计，要么依赖物理化学能量函数的暴力搜索，要么从已有模板出发“修修补补”。前者计算量大到令人绝望，后者缺乏真正创新。

Baker 实验室在 2023 年推出的 RFdiffusion v1，开辟了另一条道路：

● 扩散模型可以从随机噪声开始，逐步去噪，最终生成合理的蛋白骨架；

● 用户可以加条件，比如要求对称性、加入特定 motif、或设计结合某分子；

● 模型则会在这些约束下“生长”出满足条件的蛋白结构。

这意味着，科研人员不再需要穷举式搜索，而是能通过“生成”来探索新的结构空间。

案例与冲击

在 v1 的论文和实验中，研究人员展示了多个惊艳结果：

● de novo 折叠：完全没有模板的单链蛋白；

● 对称装配体：环状多聚体甚至笼状壳层；

● 结合界面：能与病毒蛋白或小分子贴合的蛋白骨架；

● motif scaffold：在新骨架中精准嵌入功能性基团。

更令人震撼的是，一些设计经实验验证与目标分子严丝合缝地结合，结构几乎与设计模型完全一致。

难怪当时社区流传一句话：

“以前要筛上万种突变才能碰到一个勉强可用的，现在 RFdiffusion 一次就能给你几十个靠谱方案。”

当然，v1 也有局限：它主要关注骨架层面，在更精细的功能上仍显得力不从心。

突破瓶颈：v2 让“设计催化酶”成为现实

酶的催化能力常被视为蛋白工程的“终极难题”。要让一组残基精确摆放在口袋中以催化反应，需要满足极为严格的空间几何约束。传统上，研究人员必须预先挑选残基并定义其编号和侧链取向，然后再嵌入骨架。这个过程费时费力，且效率极低。即便如此，设计出的酶通常活性也很有限，需要海量筛选。

v1 的瓶颈

在 RFdiffusion v1 中，要实现活性位点设计，研究者必须：

1. 明确指定哪些残基构成活性位点（带索引的 motif）；

2. 提供侧链取向，告诉模型这些原子怎么摆放。

这意味着设计者在输入阶段已经预先固定了部分结果，费力不说，还削弱了模型自主探索的空间。

v2 的革命性突破

024-2025 年，Baker 团队推出 RFdiffusion v2，正是为解决这一瓶颈而来。

它最大的创新是：

● 无索引活性位点支架（unindexed motif scaffolding）

研究者只需提供活性位点原子的空间几何关系，模型会在生成过程中自动决定：这些原子属于哪些残基、应该放在蛋白序列的哪个位置、侧链该怎么构象。这相当于告诉模型“我要一个满足几何关系的活性中心”，而不是“请把残基 35、72、108 放在这里”。

为实现这一点，v2 引入了两项关键技术：

● 双扩散轨道：一条扩散主链骨架，另一条扩散活性位点原子，两者逐步融合，确保几何约束得到精确实现。

● Flow matching training：一种更高效的训练方法，能让模型更快、更稳定地学习如何把噪声转化为目标几何。

成果与影响

在包含 41 个挑战性酶任务的基准测试中：

● RFdiffusion v2 解出了全部 41 个，而此前最好的方法只能解决其中 16 个。

● 在实验中，研究团队仅筛选了不到 100 个设计，就获得了 5 个具备实际活性的全新酶。

要知道，传统流程常常需要筛选上万候选。效率提升可谓颠覆性。

更令人兴奋的是，在一个锌离子水解酶的案例中，v2 设计出的酶活性甚至超过了人类多年工程改造的版本。

这意味着，从化学反应出发设计酶的目标，第一次在 AI 辅助下得以实现。

全面升级：v3 走向全原子、多分子

2025 年 9 月，Baker 团队在预印本中推出了 RFdiffusion v3（简称 RFD3），提出了一个全新的思路：

● 全原子扩散：模型不再只生成骨架，而是直接在直角坐标系下同时建模主链、侧链和非蛋白原子，统一扩散出完整复合物的3D坐标。

● 多模态分子体系：支持小分子配体、DNA等异源分子，能够在一个框架内生成蛋白-配体、蛋白-核酸、乃至多链组装的复合结构的3D坐标。

● 更灵活的条件约束：用户可以在输入中显式指定氢键网络、残基环境、溶剂可及性或配体几何，使模型“长”出与目标高度契合的结合界面。

● 简化而高效的架构：研发团队舍弃了前代的 SE(3) 等变框架，转而采用类似 “AlphaFold3” 的直角坐标原子级建模，让网络通过大规模数据直接学习物理规律。这一改动减少了人工归纳偏置，换来了更大的扩展性与更快的迭代周期。

在论文和开发者的技术分享中，RFD3 展示了多个令人兴奋的案例：

● 设计全新的蛋白–小分子复合物；

● 在 DNA 上“长”出能识别特定序列的蛋白结合域；

● 为酶设计直接考虑底物或辅酶的存在，实现真正意义上的“反应导向”。

虽然 RFD3 目前仍处于学术探索阶段，尚未开源，但初步结果已经显示它让一系列此前困难重重的设计类别成为可能。社区普遍认为，随着 v3 的发布，蛋白设计已从“骨架—活性位点”迈向“全原子—多模态分子”的新纪元。一旦开放，SciMiner 平台将第一时间完成部署，继续为科研人员提供最前沿的工具。

SciMiner：让前沿工具真正成为“可用技术”

RFdiffusion 的突破固然令人兴奋，但对于大多数科研团队而言，模型复杂、依赖繁重、环境脆弱，使其往往停留在“看得到却用不上”的状态。SciMiner 的使命，就是打破这道天然的技术壁垒。我们将 RFdiffusion v1 与 v2 以工程化方式上线，使其变成任何科研人员都能直接调用的工具：无需部署、无需配置、无需高性能集群，一台电脑、一个浏览器就能完成设计尝试。

科研人员可以把更多时间投入到科学问题本身，而不是耗费精力在环境、依赖和脚本上。RFdiffusion 在 SciMiner 上变成了一种“开箱即用”的能力，而不是一座难以攀登的技术高峰。

RFDiffusion输入界面图

RFDiffusion2输入界面图

结语

RFdiffusion 系列见证了生成式 AI 在蛋白设计上的飞速进化，通过 SciMiner （http://sciminer.tech/），这些前沿工具已经从“实验室里的尖端模型”，变为科研人员日常可用的设计平台。我们相信，在不远的未来，“AI 按需造蛋白”将成为实验室里的日常操作，推动生命科学迈入一个真正的创造时代。