近年来，生成式深度学习在蛋白质设计领域取得了进展。RFdiffusion3（RFD3）模型能够生成与非蛋白质组分相互作用的蛋白质三维结构，简化了原子级约束，降低了计算开销，展现了广泛的适用性。

RFdiffusion3（RFD3）是诺奖得主David Baker团队开发的新型蛋白质设计模型，能够在复杂的非蛋白质环境中生成蛋白质的三维构象。该模型显式建模所有聚合物原子，简化了原子级约束，适用于酶设计等任务，并显著降低计算开销。

研究团队开发的图神经网络PLACER能够精确生成小分子结构并优化蛋白-小分子对接，显著提高了酶设计中活性位点的成功率，展示了其在生物分子建模中的重要价值。

华盛顿大学研究团队开发了LigandMPNN，一种基于深度学习的蛋白质序列设计方法，能够有效模拟非蛋白质原子和分子。该方法在设计与小分子、核苷酸和金属相互作用的蛋白质方面表现出色，显著提升了结合亲和力和结构准确性。LigandMPNN已成功设计出100多种经过实验验证的结合蛋白，展现出广泛的应用潜力。

华盛顿大学研究团队开发了一种新方法，结合RFdiffusion网络和酵母展示，能够从头设计特定表位结合的抗体。实验验证表明，设计的抗体在结构和结合精度上达到了原子级别，且具有良好的亲和力。这一方法有望加速抗体的发现与开发，超越传统的动物免疫和随机筛选。

华盛顿大学研究团队利用人工智能RFdiffusion和深度学习网络PLACER，从头设计出高效丝氨酸水解酶，催化效率达到2.2x10^5 M^−1 s^−1。这一突破克服了传统设计的局限，标志着酶工程的重要进展，可能推动生物和工业应用的发展。

蛇中毒每年导致约10万人死亡，现有抗蛇毒血清成本高且副作用明显。诺贝尔化学奖得主David Baker团队研发出一种新型蛋白质，能够中和蛇毒，作为更安全有效的替代品。该研究利用深度学习设计蛋白质，展现出良好的热稳定性和结合亲和力，未来有望改善蛇咬伤的治疗效果。

人工智能的幻觉被批评为虚假信息，但在科学领域却被视为有价值的创意来源。科学家利用AI生成的新想法加速研究进程，推动癌症治疗和新型蛋白质的发现。专家认为AI的创造力可能为科学带来突破，揭示生命的奥秘。

今年诺贝尔化学奖授予三位科学家，表彰他们在蛋白质设计和结构预测方面的贡献。David Baker 开发了 Rosetta 软件用于蛋白质结构预测，Demis Hassabis 和 John Jumper 利用 AI 实现蛋白质结构预测。蛋白质是生命的化学工具，了解其结构有助于理解功能。AI 工具如 AlphaFold 和 RoseTTAFold 提升了研究，但实验仍不可替代。Baker 强调科学合作和科研成果商业化的重要性。

华盛顿大学David Baker团队开发了ProteinGenerator (PG)，一种基于RoseTTAFold的模型，能同时生成蛋白质序列和结构。PG通过迭代去噪，以所需属性为指导，设计耐热蛋白质和生物活性肽。研究显示，PG在设计准确度上优于传统方法，能生成多状态和功能蛋白，并适应多种序列约束。PG还能设计含稀有氨基酸的蛋白质，展示了超越天然序列的能力。

生物技术初创公司A-Alpha Bio发布了全球最大的蛋白质相互作用数据库AlphaSeq，包含超过7.5亿条数据，并以每月3M-50M的速度扩展。该数据库解决了蛋白质-蛋白质相互作用数据匮乏的问题，支持药物研发。A-Alpha Bio利用合成生物学和机器学习技术，加速抗体发现和优化。