想设计一种新蛋白质，过去您得懂结构、懂化学，还得会用那套很专的软件。西湖大学团队在《自然》上发了一套叫 Pinal 的系统，把门槛降到一句话：您用大白话说想要什么功能，模型去出氨基酸序列。
说白了，它不是又一个会聊天的机器人。它干的是“按功能出分子”。小编把步骤、实验室结果和它做不到的地方放在一起，您看完能判断该不该拿它试。如果您还想了解 AI 从分子设计走向真实实验操作，可继续阅读AutoDNA AI 实验室的工作方式与能力边界。
以前卡在哪
2020 年 AlphaFold 把“已知序列会折成什么形状”这件事做开了。后来一批生成模型反过来做：从大量序列、结构和功能标签里学，再设计自然界没有的蛋白。
难的是下指令。您得写结构约束，或者指定某个位点怎么改。想做一个能分解塑料的酶，或一个能发光的标记蛋白，仍然是专业活。Pinal 想省掉这一层翻译。
它实际分两步
- 第一步只听您的话，把功能描述变成一份结构蓝图，而且一次出好几份候选结构。
- 第二步同时看蓝图和原话，决定每个位置放哪种氨基酸。
- 最后给这些“结构加序列”的组合打分，挑一份交出来。
作者写得很直：最好的设计，形状不一定最“像标准答案”。所以它不把鸡蛋放在一个结构里。您不用报分子式，也不用指定突变位点。
训练用了多少材料
团队攒了大约 1.35 亿条蛋白质序列，再用大语言模型写成白话功能说明，配出约 17 亿对“蛋白—文本”。结构则用 AlphaFold 预测。两个模块分开训练：一个学“从话到蓝图”，一个学“在蓝图和话都在的时候，选对氨基酸”。
实验室测了四件事
他们让模型做四种蛋白：发绿光的、分解 PET 塑料的酶、处理醇类的酶，还有一种在代谢通路里给酶“跑腿”的穿梭蛋白。四件都做出了能用的结果，但命中率差很多。
| 任务 | 筛了多少 | 结果 |
|---|---|---|
| 发绿光 | 先出 5 万条序列，再收到 29 条进实验室 | 只有 1 条真的发光 |
| 穿梭蛋白 | 测了 20 条候选 | 5 条能工作；最好的把一条多酶固碳通路的产量提到天然版的 1.7 倍 |
| 分解 PET、处理醇类 | 论文里同样完成了设计 | 说明功能语言能覆盖不止一种酶 |
发光蛋白这个数，您别只看“做成了”。5 万条里最后亮 1 条，说明模型会撒很大一张网，真正能用的很少。穿梭蛋白好一些，而且好的那条有明确增产，这才是设计工具该拿出的证据。
旁边那个 DNA 模型别混在一起
同一时期，Hugging Face 和中国、意大利的研究者放了一个约 140 亿参数的开源模型 Carbon-X。它基于 Qwen3-14B，用大约 3000 亿 token 再训练，材料里混了基因组序列、生物学文本和普通英文。它能回答基因序列问题、估计突变影响，或生成新的 DNA，而且可以在 MacBook 上跑，敏感序列不必先交给商业接口。
作者说，让它学会 DNA 又不忘掉英文，平衡很难，只能慢慢训。五项基准上，它超过了 Opus 5.5 和 Gemini 4 Argon，落后 GPT-6.1 Sol 不到一个百分点。这是另一条技术线：Pinal 专做蛋白设计，Carbon-X 更像能读基因的通用模型。
您现在能指望到哪一步
- 能做的：用功能描述启动一轮设计，拿到一批序列去筛。
- 不能省的：筛选规则会把搜索收窄，作者自己也承认，可能只摸到设计空间的一小块。
- Carbon-X 的短板：长序列吃力，也会胡说。生成结果仍要实验室验证。
- 人还在环里：没有配备齐全的实验室和懂行的人，序列只是一段文字。
简单讲，Pinal 把“我想要这种功能”变成了可计算的问题，没有把实验变成可选项。用大白话下单，实验室还是得自己验。医疗诊断那边的对照，小编写在微软医疗AI诊断有多准。