# 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

- Link: https://paooo.com/aigc-news/40169/
- Published: 2026-10-19T10:08:18+08:00
- Author: 站外新闻

> **💡 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](https://paooo.com/ai-study/)
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）。

阅读目录

 * [从“被动预测”到“主动创造”：原子级生成的范式转移](https://paooo.com/aigc-news/40169/#%e4%bb%8e%e8%a2%ab%e5%8a%a8%e9%a2%84%e6%b5%8b%e5%88%b0%e4%b8%bb%e5%8a%a8%e5%88%9b%e9%80%a0%e5%8e%9f%e5%ad%90%e7%ba%a7%e7%94%9f%e6%88%90%e7%9a%84%e8%8c%83%e5%bc%8f%e8%bd%ac%e7%a7%bb)
 * [高维物理强约束求解：带着严苛任务“捏出”分子](https://paooo.com/aigc-news/40169/#%e9%ab%98%e7%bb%b4%e7%89%a9%e7%90%86%e5%bc%ba%e7%ba%a6%e6%9d%9f%e6%b1%82%e8%a7%a3%e5%b8%a6%e7%9d%80%e4%b8%a5%e8%8b%9b%e4%bb%bb%e5%8a%a1%e6%8d%8f%e5%87%ba%e5%88%86%e5%ad%90)
 * [真实化学实验验证：人工设计的酶在试管里“真能干活”](https://paooo.com/aigc-news/40169/#%e7%9c%9f%e5%ae%9e%e5%8c%96%e5%ad%a6%e5%ae%9e%e9%aa%8c%e9%aa%8c%e8%af%81%e4%ba%ba%e5%b7%a5%e8%ae%be%e8%ae%a1%e7%9a%84%e9%85%b6%e5%9c%a8%e8%af%95%e7%ae%a1%e9%87%8c%e7%9c%9f%e8%83%bd%e5%b9%b2%e6%b4%bb)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/40169/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

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：

  |  核心评估维度 |  RFdiffusion2 (上一代) |  RFdiffusion3 (新一代 AlphaFold3 架构) |  
   |  **原子建模精度** |  主链骨架粗粒度 + 启发式拼装 |  单氨基酸最多 14 原子连续空间全建模 |  
 |  **约束求解能力** |  局部几何松弛，复杂活性位点易变形 |  原生支持氢键网络/活性位点全空间严密约束 |  
 |  **活性位点胜出率** |  基线水平 (41 组中 4 组占优) |  在 41 组工业与天然酶测试中 37 组显著胜出 (90.2%) |  
 |  **生成推理速度** |  基线单体耗时较长 |  综合推理吞吐提升约 10 倍 (10x Speedup) |  
 |  **真实湿实验转化** |  多数需经历多轮体外定向进化筛选 |  人工合成对氧磷降解酶与肽裂解酶 100% 跑通生化反应 |

## 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。

#### 📝 站长洞察 (Editor’s Insight)

RFdiffusion3 登上《Science》代表着 AI 在生命科学领域已经正式穿透了“图灵测试”式的
预测阶段，迈入了确定性的“原子级可编程制造”时代。对于工业界和计算生物学从业者而言，
该研究最重要的技术启示在于：将 AlphaFold3 的全原子表示思想与扩散生成模型的条件约束
优化（Conditioned Diffusion Guidance）进行了深度融合。当 AI 不再只是逼近天然进化
的折叠规律，而是能够按照人类定义的催化机理与物理约束逆向求解化学空间时，生物制药、
环保降解与合成生物学的试错成本将被打下两个数量级。接下来计算生物学的核心竞争，将
从算力规模全面转向“微观物理约束的数学表征与高通量湿实验自动闭环”。

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[⚡ AIGC 早报生成器](https://paooo.com/mtool/)