诺奖团队登顶《Science》！RFdiffusion3 实现原子级全生成式蛋白质设计：解耦14原子坐标建模与实测高活性催化

💡 站外导读：长期以来，AI 在结构生物学领域的成就多集中在“看图答题”式的蛋白质三维结构预测（如 AlphaFold2 与 ESMFold）。然而，在药物研发、酶催化等工程落地中，业界真正的痛点是如何反向根据功能需求，“无中生有”地设计出具备真实催化活性与物理约束的全新大分子。传统计算机辅助设计不仅计算量呈几何级数爆炸，且经常遭遇合成后“无法折叠、丧失活性”的工程死胡同。华盛顿大学、牛津大学与 NVIDIA 联合推出的 RFdiffusion3，正是直击这一死穴的关键突破。

从“被动预测”到“主动创造”：原子级生成的范式转移

在生物化学与计算生物学领域，能够预测天然蛋白质的折叠形态只迈出了理解生命的第一步，真正的工业颠覆性在于按需设计自然界中从未存在过的定制蛋白质与核酸。近日，由 2024 年诺贝尔化学奖得主、华盛顿大学戴维·贝克（David Baker）教授领衔，联合英国牛津大学、英伟达（NVIDIA）等全球顶级机构共同研发的全新生成式大模型系统 RFdiffusion3 的完整技术架构与生化实验验证成果，正式以封面级别的重磅论文形式刊登于国际顶刊《科学》（Science）。

回顾该技术脉络，团队曾于 2023 年推出 RFdiffusion1，并在 2025 年迭代至 RFdiffusion2。然而早期的系统在底层主要依托 RosettaFold 骨架预测网络，只能在粗粒度的多肽主链级别进行扩散建模，侧链原子的微观排布往往依赖后处理启发式拼装，导致活性位点的亚埃级精度始终受限。而本次登场的 RFdiffusion3 则完成了彻底的架构重构——全面参考并吸纳了 AlphaFold3 的全原子表示网络，将每个氨基酸残基细化为最多 14 个核心原子的高维空间表征，直接在三维欧几里得几何场中连续去噪并调整每个原子的空间坐标，真正实现了微观原子尺度的“逐原子雕琢”。

高维物理强约束求解：带着严苛任务“捏出”分子

不同于通用文本或图像大模型的“开放式发散”，分子生成如果脱离了物理定律，吐出的只是一串漂亮的无效废纸。RFdiffusion3 最震撼的工程突破在于其强大的带条件引导与物理约束优化机制（Conditioned Diffusion Guidance）。在实际工程操作中，计算生物学家不再是盲目抽卡，而是可以像在 CAD 工业软件中绘制机械零件一样，输入严苛的生化约束条件：

• 催化活性位点锚定：精确指定参与底物结合与电子转移的关键原子空间绝对坐标与取向公差；
• 氢键网络几何约束：预设关键氢键供体与受体之间的距离（通常限制在 2.8~3.2 埃）与键角公差；
• 埋藏与溶剂可及性控制：严密定义疏水原子在蛋白质内部核心的致密分布范围，防止生成易沉淀或不溶的废态结构。

系统能够在庞大的构象搜索空间中，逆向求解并收敛出严格满足上述所有物理与几何约束的全局稳定三维结构。在两代模型的工程基准测试中，RFdiffusion3 展现出了断层式的代际优势：

真实化学实验验证：人工设计的酶在试管里“真能干活”

在 AI 与生命科学领域，单纯由算法生成的假想结构若无法在湿实验中验证，便只能停留在“算力艺术”阶段。而本次《Science》刊登的研究之所以引发医药工业界震动，核心在于团队完成了严密的物理生化实验闭环。

研究团队将 RFdiffusion3 全新设计的两款关键酶——对氧磷降解酶（用于剧毒农药与化学毒剂分解）与特定序列肽裂解酶（用于前沿靶向药物修饰），通过基因工程转染表达并在试管中展开催化动力学监测。实验数据表明，完全由 AI 从原子层面凭空绘制的分子结构，在真实化学反应体系中精准与靶标底物结合，并顺畅完成了预定的断键催化与电子转移循环，其催化速率与底物亲和力均达到预期功能指标。这标志着大分子设计正式从“概率试错”跨入了“按需定制的工程化量产”新纪元。