这些分子与包括人类激素在内的各种生物标志物具有极高的亲和力和特异性，而且有些分子与其目标之间实现了迄今最高的相互作用强度。
图源：Ian Haydon/UW Medicine Institute for Protein Design
这项研究由David Baker领导，利用先进的深度学习算法，结合序列设计工具ProteinMPNN，可以更高效地创建功能蛋白质。
团队将这种创新方法命名为“build to fit”，使用有限的靶标信息（例如单独的肽氨基酸序列）生成结合蛋白。
这项突破为生物技术领域开辟了大量可能性，例如人工智能生成的蛋白质可用于检测与人类健康和环境相关的复杂分子。
科学家表示通过AI设计蛋白质，另一个重要优势是成本效益。特别是在诊断某些分子难以检测的疾病时，所设计出的蛋白质可以成为抗体的“平替”。
这项研究不仅代表了生物技术和人工智能的融合，也开创了该领域的新时代。快速设计具有高结合亲和力和特异性的蛋白质的能力为新型疾病治疗、高级诊断和环境监测的突破铺平了道路。
这种突破性的人工智能驱动的蛋白质设计正在重新定义生物技术的格局，为未来的科学和医学进步提供了巨大的潜力。
IT之家附上论文参考地址：Torres,S.V.,Leung,P.J.Y.,Venkatesh,P.et al.De novo design of high-affinity binders of bioactive helical peptides.Nature(2023).https://doi.org/10.1038/s41586-023-06953-1
