说一句话就造出蛋白质：西湖大学 Pinal 登 Nature，设计出的 H 蛋白把产量做到天然版本的 1.7 倍

2026年11月3日0 次阅读

导语

你写一句"我要一个能降解 PET 塑料的酶"，模型给你 20 万条候选序列；你写"我要一个会发绿光的蛋白"，它给你 5 万条。然后你把其中几十条真的合成出来、放进大肠杆菌、上机测活性。

这就是西湖大学团队 10 月 21 日发在 Nature 上的 Pinal：160 亿参数的蛋白质设计基础模型，训练用了 17 亿组"蛋白质—文字"配对。四类设计任务——绿色荧光蛋白、PET 水解酶、醇脱氢酶、代谢途径里的 H 蛋白——全部在湿实验里观察到了预期功能，其中两个酶有真实催化活性。

最硬的一个数字：一个从头设计、没有经过任何迭代优化的 H 蛋白，被塞进多酶 CO₂ 固定途径后，甘氨酸终产物做到 11.1 mM，是天然大肠杆菌 H 蛋白的 1.7 倍。

时间线要说清楚：论文 10 月 21 日上线，中文媒体 10 月 22 日跟进，代码和权重 10 月 28 日放到 GitHub 与 Hugging Face，11 月 1 日到 3 日英文媒体集中报道。所以这轮新闻的由头是"权重可下载 + 媒体潮"，不是"模型今天首发"。（本文基于多家媒体转述整理，技术细节以 Nature 论文、bioRxiv 全文、GitHub 仓库和 Hugging Face 权重为准。）

3分钟看懂

谁做的：西湖大学（原发杰、刘建明团队）牵头，联合香港科技大学（广州）卢泓远、中科院深圳先进院司同，以及浙江大学的合作者。一作 Fengyuan Dai。
是什么：一个 160 亿参数的生成式模型。输入是自然语言描述的功能，输出是候选蛋白质的氨基酸序列。
和 AlphaFold 什么关系：方向相反。AlphaFold 是"给序列、猜形状"；Pinal 是"给功能描述、造序列"。它内部还用 AlphaFold 预测的结构当训练信号。
和 RFdiffusion 什么关系：RFdiffusion 要你先给出几何规格（骨架、结合位点、对称性），Pinal 要你给一句话。少掉的这一步，正是过去把蛋白质设计锁在专业组里的那道门槛。
多大：T2struct 15.5B + SaProt-T 0.76B；Hugging Face 上四个权重合计约 72.6GB，Apache-2.0。
跑得动吗：15.5B 那档推理要 ≥40GB 显存；官方说单张 A40 生成 10 条设计约 1 分钟。想先试手感，官方有在线服务 denovo-pinal.com。
最该记住的一句：它证明的不是"AI 会画蛋白质了"，而是"功能描述可以当作设计接口"——但每个 Prompt 后面，仍然是一整套筛选和一间能干活的湿实验室。

它到底解决了什么别扭的地方

蛋白质设计这十年，绕不开一次"翻译"。

你脑子里想的是功能："我要一个在 40 度、偏碱环境下降解 PET 的酶"。软件想听的是几何：哪个残基在哪、和谁相距多少埃、朝哪个角度、旁边要不要一个锌离子。把前者翻成后者，就是这行最贵的手艺——也是为什么蛋白质设计一直只在少数实验室里发生。

过去的路子都卡在这一步：

基于结构的生成（RFdiffusion + ProteinMPNN 这条线）很强，但你得先知道你要的形状。
家族条件的语言模型（ProGen 这类）能生成某个家族内的新序列，但你得先有一个同源序列够多的家族。
机器学习引导的定向进化（FAST-PETase 这类）效果实在，但你得先有一个能改的天然酶。

Pinal 想砍掉的是"先验"：不给你模板、不给你骨架、不给你位点，只给一句话。

它凭什么敢这么干？论文里有个很诚实的预实验：同样 2.24 亿参数的编码器—解码器，同样的数据、同样的训练步数，一组直接生成氨基酸序列，一组先生成结构 token 再转序列。直接生成序列的那组，验证集下一 token 准确率只有约 0.1，随机猜是 0.05——基本等于没学会。 先生成结构的那组收敛到约 0.6，转成序列后预测折叠置信度也明显更高。

这个对比是整篇论文的地基：语言到序列的映射太难，必须先过一个结构中间层。 于是有了那个分解式 p(s,c|t) = p(c|t)·p(s|c,t)，也就有了两阶段架构。

技术拆解：不生成 3D 坐标，生成"结构字母"

第一阶段 T2struct：编码器用预训练 T5 读你的句子，解码器是 GPT-2 风格的自回归模型加交叉注意力，输出的是 Foldseek 3Di token——一种 20 个字符的"结构字母表"，每个字符编码某个残基与最近空间邻居的局部几何关系。

这个选择很关键，也很取巧：不预测连续的 3D 坐标，就不用处理旋转、平移等变性那一堆麻烦；结构生成被改写成"序列到序列"，可以直接吃 Transformer 的规模红利。顺带还有一个工程好处——每个结构 token 都有可计算的 log 概率，后面采样时能拿来排序和取舍。

第二阶段 SaProt-T：用一个独立的文本编码器（预训练 PubMedBERT）把句子编码，经一个线性投影塞进蛋白质嵌入空间，和结构 token 拼在一起，一次前向就吐出整条氨基酸序列。

这里有个设计哲学值得记一下：T2struct 输出的是概率分布，不是一条定死的骨架。理由是"稍微不那么可能的结构，可能刚好能装下一条功能好得多的序列"。先锁死第一个结构猜想的系统，永远发现不了这件事。

三阶段训练，第三阶段专治一个很土但很致命的问题：

阶段一，32 万步，基础训练。
阶段二，62.5 万步，按 ProTrek（文本—蛋白语义相似度）分数过滤数据。
阶段三，74 万步，在更高质数据上微调，剔掉低 pLDDT 和高 token 重复的样本。

为什么非要第三阶段？因为阶段二的模型有 60.2% 的输出含 ≥5 个连续相同氨基酸（"AAAAA"这种），天然蛋白里这个比例是 4.0%。Foldseek token 层面更夸张：连续重复 >10 的比例高达 91%，而训练用的 AFDB 数据本身就有 90%——模型是在忠实模仿数据里的毛病。阶段三之后，氨基酸重复率降到 35.3%，结构 token 的严重重复降到 4%。

这两个数字建议所有做生成模型的人都看一眼：你模型输出的怪癖，往往就是训练数据的怪癖。

数字怎么读：一份"漏斗"，不是一个"命中率"

媒体最爱写的数字是"5 万条里只有 1 条发光"。这话没错，但它省略了中间那层过滤，而过滤才是真正决定成败的地方。把四类任务的漏斗摊开看：

| --- | --- | --- | --- | --- |

| H 蛋白 | 50,000 | 约 1,000（ProTrek>15，同源性<60%） | 20 | 14 条可溶（70%），5 条有活性 |

几个必须拆开说的点：

第一，"1/29"不是模型命中率，是"模型 + 筛选策略"的命中率。 那 29 条是先按 <35% 同源性把"长得像已知荧光蛋白"的全扔了——为的是证明模型不是在背课文——再按六个已知色团三联体（SYG/TYG/SHG/TWG/QYG/HYG）筛的。论文自己写明：这个保守的 motif 过滤器只覆盖了已知色团的一小部分，被它筛掉的序列不能判定为无功能。

第二，H 蛋白那一栏才是全篇最有说服力的。 20 条里有 14 条可溶表达，5 条在重构的甘氨酸裂解体系里有活性，最好的 pinalH02 做出 11.1 mM 甘氨酸、1.7 倍于天然。分子动力学给的机理解释也挺漂亮：天然 ecH 把反应性的硫辛酰胺臂锁在疏水腔里（保护兼调控），pinalH02 的臂基本是敞开的，可能因此绕过了天然蛋白的限速步骤。

第三，PETase 那条被误读得最多。 pinalPETase36 的 Tm 是 56.84±0.29°C，在 40°C、pH 8.0 下对预处理 PET 膜作用 7 天，HPLC 能看到 TPA 和 MHET 累积，SEM 能看到孔蚀。这是"有活性"，不是"能工业降解"——FAST-PETase 那种五个突变就能一周降解 51 种消费后塑料制品的水平，是另一个量级。

第四，计算侧的成绩也别漏。 和 ProteinDT、Chroma 比，后两者在 ProTrek 和 TM-score 上接近随机基线，生成序列还有相当比例折不成合理结构。和 ESM3 比，即使在 ESM3 的主场（用 InterPro 关键词做条件、用 ESM3 自己的关键词回收指标），Pinal 的关键词回收率约 77%，ESM3 约 12%。论文还引用了一项独立基准：14 项指标里 Pinal 拿了 11 项最好。

怎么用：三个层次的入口

第一层，只想试试。 打开 denovo-pinal.com，用自然语言描述你要的功能，拿候选序列。适合找灵感、做教学演示、判断"这条路对我的靶点有没有戏"。别指望它给你能直接上实验的东西。

第二层，本地跑。 huggingface-cli download westlake-repl/Pinal 拉四个权重（约 72.6GB），按 README 装 Python 3.8 环境（依赖装完约 30 分钟）。三行代码出结果：load_pinal() 加载，PinalDesign(desc="Actin.", num=10, ...) 生成，返回按每 token 概率排序的候选列表。要 15.5B 那档，在 import 前设 os.environ["T2struct_NAME"]="T2struct-15.5B"。显存不够就先上 1.2B 那档，看趋势够用。

第三层，接进自己的筛选流水线。 这是它真正的用法：Pinal 只负责"从功能描述生成候选池"，后面接你自己的 pLDDT/PAE 过滤、ProTrek 或同源比对、motif 规则，再接基因合成和 assay。想给结构约束，README 里给了另一条路——把 PDB/mmCIF 用 Foldseek 转成 3Di 序列，直接喂 SaProt-T 做"指定骨架的序列设计"。

成本/时间：单张 A40 生成 10 条约 1 分钟；真正贵的是"生成 5 万条"和"合成 29 条基因"这两头。按公开报价粗算，29 条基因合成加克隆是几千元人民币量级，94 条就是上万元；湿实验的人力另计。这条流水线的瓶颈从来不在推理。

适用场景

想要自然界没有的功能组合：pinalH02 那种"在特定反应体系里比天然版本更好用"的结果，正是定向进化不容易走到的位置。
跨家族探索：一组 Prompt 生成 2,500 条 ADH 候选，最后拿到的 5 条活性酶横跨铁依赖长链、中链、短链三个亚家族——说明它不是在某个家族内部做插值。
做候选池、给人做决策：把"设计"变成"提议 + 排序"，让有实验能力但缺计算专家的组也能进场。
教学与方案论证：一句话到候选序列，能快速验证"这个功能有没有可设计的结构基础"。

不适用场景

要精确的定量指标。论文自己承认：Prompt 里写"发射波长 520 nm"这种，模型给不了细粒度控制。这是标注数据粒度决定的，不是调参能解决的。
要工业级酶性能。设计的 PETase 有活性、有 Tm，但没有经过任何稳定性/活性优化，离工艺要求差着几轮工程化。
要药物级分子。四类任务都是"功能可测"的蛋白，没有一条走到动物实验、更没有临床。别把"湿实验有效"读成"能成药"。
要保证筛掉的候选没价值。反过来也成立：留下的是被启发式规则偏爱的区域，整个设计空间的其余部分没被检验过。
高风险双用途序列。这是这个方向绕不开的外部约束，见下一节。

避坑：五个容易写错/用错的地方

别写"今天发布"。 论文 10-21、代码权重 10-28、媒体潮 11-01~03，三个时间点。混成一个就是编时间线。
别把"1.7 倍"说成"全面超越天然蛋白"。 那是一个特定重构体系、一个特定产物（甘氨酸）、一个特定对照（大肠杆菌 ecH）的结果。换体系、换底物，结论要重测。
别把"1/29"当模型能力。 它是"严格去同源 + 保守 motif 过滤"之后的数字。想估模型真实命中率，得看同一套筛选下的对照模型。
别忽略 60.2%→35.3% 这个数字。 即使修完，仍有超过三分之一的输出含 ≥5 连相同氨基酸。这不是瑕疵，是当前生成式蛋白模型的共性短板，拿到候选先跑重复率检查。
别跳过生物安全筛查。 据 Artificial Science 2026-11-02 的梳理，2025 年一项跨微软、合成生物学公司、生物安全机构的研究发现，开源蛋白设计软件能生成绕过多家合成商筛查的"关注蛋白"变体，随后打了补丁；2026 年 10 月英国 AI 安全研究院的报告进一步指出，靠训练数据过滤压制能力只是"提高恢复成本"，挡不住再训练。真正兜底的是合成订购环节的筛查，不是模型自己的拒答。 用这类模型做出任何序列，走合成前该走的筛查一步别省。

行动建议

算法团队：先跑 1.2B 那档验证自己的 Prompt 是否可解析，再上 15.5B。别一上来就调 72GB 权重。评估别只看"生成的序列像不像天然蛋白"，要按"可折叠 / 语义对齐 / 多样性"三个维度分开看——论文的扩展性结论正是建立在这三者同时改善上。
湿实验室：想复现成本最低的一条，选 H 蛋白那类"小蛋白 + 明确体外体系 + 便宜 assay"的任务，别一上来做荧光蛋白（色团成熟慢、筛选维度多）。
做药物发现的人：把它当"候选池生成器"，别当"设计器"。真正的价值在把专家从"写约束"里解放出来，去做"在 5 万条里挑出值得做的 30 条"——这个判断力目前还没被自动化。
关注生物安全的人：盯合成订购端的筛查更新，比盯模型的能力评测更有意义。

一句话总结

Pinal 的价值不在于它生成了什么漂亮结构，而在于它把蛋白质设计的入口从"几何约束"搬到了"自然语言"，并且用四类真实的湿实验证明这条路走得通——代价是每个 Prompt 背后仍然需要一整套筛选规则、一台能表达纯化的机器和一批愿意做阴性结果的实验者。那个 1.7 倍的 H 蛋白说明了一件事：当模型开始在进化没为这个场景优化过的地方找答案，它给出的可能不只是"能用的近似"，而是"更好的解"。

参考来源

Nature 论文《Programmable design of functional proteins from natural language》（2026-10-21，DOI 10.1038/s41586-026-11205-z）：https://www.nature.com/articles/s41586-026-11205-z
bioRxiv 全文 v9（含 Methods 与 Extended Data 图注）：https://www.biorxiv.org/content/10.1101/2024.08.01.606258v9.full
代码仓 westlake-repl/Denovo-Pinal（Apache-2.0）：https://github.com/westlake-repl/Denovo-Pinal
Hugging Face 权重 westlake-repl/Pinal：https://huggingface.co/westlake-repl/Pinal
在线服务 Pinal 16B：http://www.denovo-pinal.com/
SingularityHub，2026-11-02：https://singularityhub.com/2026/11/02/scientists-can-now-ask-ai-to-design-proteins-using-plain-language/
Artificial Science，2026-11-02：https://artificialscience.org/2026/11/ai-designs-proteins-from-plain-language/
FutureTechDose，2026-11-02：https://futuretechdose.com/pinal-natural-language-functional-protein-design-lab-validation/
生物谷（中文首轮报道），2026-10-26：https://news.bioon.com/article/f94395e94271.html
香港科技大学（广州）官方，2026-10-22：https://www.hkust-gz.edu.cn/zh/2026/10/22/

导语