论文笔记· 科学证据 · Frontier
AI 已经能快速设计上万种蛋白，实验室怎么跟上？
David Baker 团队这次没有再推一个更强的蛋白质生成模型。他们转向的是 AI4S 越来越绕不开的一个麻烦：模型几天就能吐出上万个候选，实验室却常常连几十个都验证不完。
●同行评审论文 + 公开研究材料
当前边界：目前主要验证的是 IPD 内部的筛选流程；复杂蛋白、跨实验室复现和自动选择下一轮实验仍未完成
这项工作推进的是：让蛋白候选更快进入实体生产与标准化测量
- MODEL理解 / 预测
- DECIDE选择下一步
- INTERACT执行与测量
- UPDATE改变下一轮
01｜发生了什么
2026 年 8 月 20 日，David Baker 团队在 Nature Communications 发表《Accelerating protein design by scaling experimental characterization》。工作主要来自华盛顿大学生物化学系和 Institute for Protein Design，活 RSV 中和实验由 Karolinska Institutet 的合作者完成。论文介绍了 SAPP 与 DMX 两套互相衔接的实验流程。[S1]
这篇论文在解决什么RFdiffusion、ProteinMPNN 几天就能给出上万条候选；传统湿实验往往几周才能表达、纯化和测量出几十条。设计端越快，等着被现实检验的队列反而越长——这是一个很容易被忽略的失衡。[S1]
计算机给出一条看起来不错的序列，不等于它在现实中能高效表达、保持可溶、不聚集，或形成预期的寡聚结构。这些问题最终都要回到实验室。大型 pooled assay 虽然能同时筛很多序列，却往往只读出 binding 或 stability 等少数性质，也很难告诉研究者每个独立蛋白是否真的好做、好纯化、状态正确。[S1]
Baker 团队这次没有再造一个更强的设计模型，而是重做设计之后的生产和测试流程。论文称，SAPP 与 DMX 已在 IPD 内部用于生产和表征数万种从头设计的蛋白质。它们要更快回答一个实际问题：这些候选里，到底哪些真的能做出来？[S1]
02｜What Changed
SAPP 把蛋白质实验从逐个处理改成批处理
原来的队列拖在哪DNA 组装后，常规流程还要转化、涂板、挑单 colony、培养、提质粒、测序确认，再把正确质粒转进表达菌株。这一段会花掉数天，而且挑克隆很难大规模并行。[S1]
工程上的取舍SAPP 用 Golden Gate Assembly，并在接收载体里放入致死基因 ccdB。目标片段正确插入时会替换 ccdB；没插进去的背景载体受到强烈抑制。组装产物因此可以直接进入 E. coli 表达菌株，从 linear DNA 到接种好的 192 个表达培养物，大约只要两小时。[S1][S4]
这条捷径可靠吗？它并没有消除 DNA 合成与克隆错误。作者回查 929 个组装反应，89.3% 的样本中主克隆纯度超过 90%；对 863 个最终纯化蛋白做质谱，约 90% 的质量落在预期值 ±1 Da 内。正确 construct 通常是混合池里的主导成分，足以用于筛选，代价是偶尔漏掉真阳性。[S1]
测序并没有变得不重要。SAPP 只是把筛选和最终确认拆开：第一轮允许少量漏检，快速扫过几百上千个候选；找到值得继续的蛋白后，再做严格的单克隆和序列确认。
更关键的一步：每个样品都做 SEC，实验开始变成数据生产线
传统 96 孔筛选常常先跑 SDS-PAGE，看哪些蛋白“表达出来了”，再挑少数 candidate 放大培养。但有表达离“这是一个好蛋白”很远：它可能聚集、形成错误的 oligomer，或根本没有保持设计中的 native state。[S1]
SAPP 让每个样品先做亲和纯化，再直接进入体积排阻色谱（SEC）。色谱不仅负责纯化，也能同时读出可溶性产量、样品是否分散、估算分子量、聚集情况和寡聚状态。192 个样品约 15 小时过夜跑完，单样品不到五分钟。[S1]
Python 程序批量分析色谱，并自动生成液体处理机器人的操作步骤，完成组分合并和浓度归一化。最后得到一块装有纯化蛋白的 96 孔板，以及一份包含全部结果的标准化数据文件。整条 SAPP 流程约 48 小时，研究人员实际站在实验台前的时间约六小时。[S1][S3]
每个设计因此会以相同格式返回一组可以比较、也能继续交给程序处理的实验数据。
论文 Fig. 1 摘图。上方展示从 DNA 组装、SEC 到机器人合并的流程；下方是克隆纯度、质谱、色谱产量与重复性验证。Qian et al., Nature Communications (2026)，CC BY 4.0。 [S1]
吞吐量为什么重要？几何结构的效果很难提前猜中
荧光蛋白案例先证明 SAPP 能在一周内为 96 个重新设计的 constructs 返回可比较数据。部分变体与 wild type 只有约 50%–80% sequence identity，却在 95°C 加热一小时后仍保持单体与吸收峰；另一些则出现明显不同的发射光谱。[S1]
更能说明问题的是 RSV。团队先从约 31,000 个针对 RSV F protein site III 的 minibinder 设计中筛出 cb13，亲和力为 35 nM；cryo-EM 显示实际结合结构与设计模型接近，binder backbone 的 Cα RMSD 为 1.9 Å。随后，他们把 cb13 接到 27 种寡聚化骨架上，做出 58 个 constructs，SAPP 选出 19 个表达和组装状态较好的样品送去做活病毒中和。[S1][S5]
两个构建体的 IC50 达到 40 pM 和 59 pM，而 cb13 单体是 5.4 nM，论文中的单抗 MPE8 对照为 156 pM。但更有信息量的是失败与分叉：同样是 cb13 二聚体，两个结构差约 25 倍；同一三聚化骨架，只把 binding domain 从 N 端换到 C 端就差近十倍；C6、C8 高价构型也没有自然变强。[S1]
吞吐量高了以后，研究者不必只验证模型最有信心的几个候选，还能系统比较目前很难提前排序的几何结构。一次只能做三五个构建体时，这类搜索几乎不会发生；一次能做几十或上百个后，它才变成一个可以靠实验回答的问题。
论文 Fig. 3 摘图。读图重点：本节主要看 f panel，同一个 cb13 binder 换成不同 oligomer geometry 后，RSV neutralization 可以相差约 25×；其余 panels 展示设计、组装与结构验证。Qian et al., Nature Communications (2026)，CC BY 4.0。 [S1]
SAPP 跑通以后，下一个瓶颈马上出现：DNA 太贵
这是整篇论文里很典型的一条 systems story：瓶颈会移动，不会消失。蛋白表达、纯化和初步表征提速以后，作者发现大规模测试的主要成本开始变成 DNA synthesis。逐条订完整 gene fragment 很方便，可规模一旦上到几百、几千条，DNA 本身就会吃掉大部分预算。[S1]
便宜的 DNA 是 pooled 的，但实验需要的是 arrayed 的：一孔一个 construct，而且必须知道它是谁。
寡核苷酸池便宜得多，却把所有序列混在一起。DMX 处理的是这个格式错位：便宜的 DNA 是混合的，后续实验需要的却是一孔一个、身份明确的克隆。[S1][S2]
DMX：把便宜的序列池拆成“每孔一条，而且知道是哪条”
DMX 先把 DNA 库克隆进统一载体，再把菌落挑进 384 孔板。每孔的基因在细菌裂解液中接上组合条形码，随后重新混合，用 Nanopore 长读长测序建立条形码与基因序列的对应关系。分析程序输出挑取清单，液体处理机器人再把确认正确的菌落重排到新板中。[S1][S3]
四组各 24 个 barcode 理论上可以标记 24⁴，也就是 331,776 个 wells。一个包含 1,500 条设计的测试库中，团队分析 4,608 个 colonies，找回 78% 的目标变体，接近该采样深度下约 92% 的理论上限。[S1]
论文估算，相比逐条订 gene fragments，500-design campaign 的 DNA 成本约低五倍，2,000-design campaign 约低八倍；代价是多出约五天流程。因此一两百条设计直接用 SAPP 更省事，进入千级规模后，先用 DMX 降成本再接 SAPP 更合理。[S1][S2]
论文 Fig. 4 摘图。读图重点：沿着 oligo pool → colony picking → combinatorial barcode → Nanopore mapping，理解 DMX 怎样把混合序列池重新拆成一孔一个、身份明确的克隆库。Qian et al., Nature Communications (2026)，CC BY 4.0。 [S1]
03｜关键数字
04｜为什么重要
SAPP 让每个设计经过相近的生产和表征流程，并把可溶性产量、样品分散情况、估算分子量、聚集与寡聚状态整理成统一的数据结构。[S1][S3]
湿实验由此可以持续返回格式一致的真实测量。模型提出候选，实验室把它们做出来并测量，这些结果才有机会进入下一轮模型训练或主动学习。[S1]
SAPP + DMX 提供了自动化蛋白质实验室需要的一部分基础设施，但还没有形成完整闭环。论文推进了蛋白质生产、测试和数据整理，还没有自动根据上一轮结果选择下一轮实验。[S1]
WHAT CHANGED
- AI4S 层级
- Experimental validation / Lab infrastructure
- 原有瓶颈
- 蛋白质生产与生化表征跟不上设计速度
- 这次改变
- SAPP：48 小时完成一轮、每天处理数百个 designs，并输出标准化实验数据
- 关键证据
- 48 小时｜SAPP 完成一轮蛋白生产与标准化表征
- 仍未解决
- Complex proteins、application-specific assays，以及完整的 closed-loop experiment selection
EVIDENCE IN CONTEXT
- 编辑状态
- 前沿
- 证据场景
- 湿实验验证
- 证据怎样产生
- 实体实验
- 来源与可检查性
- 同行评审 · 公开材料
- 证据上限
- 它证明了蛋白生产和标准化表征可以显著提速，但没有证明实验反馈会自动改善下一轮设计。
- 谁做了什么
- 自动化处理重复步骤；研究人员定义候选、监督流程并完成特定功能实验
05｜证据状态与边界
同行评审的方法论文，不是完整闭环的证明论文提供了流程、规模数据、案例和公开代码，但利用实验数据继续设计模型、自动选择下一轮实验，仍是未来方向。现在能说的是实验流程向前推进了一步，还不能说自主蛋白质发现已经跑通。[S1][S3]
筛选，不是最终金标准跳过 single-clone sequencing 会带来 false negative；gene 越长，DNA synthesis error 导致的 polyclonality 越明显。最终 hit 仍需要严格的单克隆与序列确认。[S1]
适用范围仍有限流程主要为容易获得较高表达量的 engineered 或 designed proteins 优化。需要复杂表达条件、特殊纯化、其他宿主或 application-specific functional assays 的蛋白，不能直接套用。[S1]
下一步要看的证据其他实验室能否在没有 IPD 原有经验的情况下稳定复现；流程能否扩展到更复杂的蛋白和功能实验；标准化数据接回模型以后，下一轮设计命中率是否真的提高。代码、Addgene 质粒和 cb13 结构已经公开，作者也披露了相关专利申请。[S1][S3][S4][S5]
06｜What I Learned
01｜AI4S 的瓶颈会移动，而不是消失我最想记住的不是 48 小时或 40 pM，而是瓶颈移动的过程：设计端变快后，湿实验验证浮出来；SAPP 把验证提速，DNA 成本又浮出来；DMX 压低 DNA 成本以后，SEC、特定功能实验和更复杂的表达体系还会继续出现。以后看一个 AI4S 模型或公司，可以先问：它把设计、生产、测试、学习中的哪一道瓶颈往后推了一步？
02｜Screening 与最终验证不必使用同一套精度标准SAPP 接受少量假阴性，换取更大的候选覆盖；最终命中结果再严格确认。筛选与确认使用不同精度，是为了避免第一轮就被成本和时间拖垮。
03｜实验室自动化先重做流程，再决定哪里用机器人SAPP 的数量级提升主要来自删掉不适合大规模筛选的步骤、统一 plate format、用 auto-induction 减少人工干预，并把 purification 与 characterization 合并。机器人只接手 pooling、normalization 等高度重复的工作。Lab automation 不等于 robot everywhere，很多时候 process design 才是第一层杠杆。
04｜吞吐量会改变我们能够提出什么问题RSV 案例里，同一个结合蛋白、同样的价数，只换几何结构就能差 25 倍。一次只能做三五个构建体时，研究者很难系统探索这种空间；一次能做几十或上百个后，原本只能靠直觉的问题开始能被实验回答。
05｜闭环 AI 需要标准化真实数据，不只是更快的实验如果结果仍要研究人员手工看图、每个项目又使用不同格式，再快的实验也很难持续积累可用数据。SAPP 把每个设计的结果整理成统一结构；只有湿实验能稳定、低成本地返回这些真实测量，设计、生产、测试和学习才可能接起来。
资料来源
文中事实尽量链接至原始公告、项目清单、试验登记或同行评审论文；研究计划与已完成结果分开记录。