AlphaFold1 证明了深度学习可以突破传统结构预测瓶颈。AlphaFold2 让单链蛋白结构预测接近实验精度，极大改变了结构生物学的工作方式。AlphaFold-Multimer 把结构预测推进到蛋白复合物层面。AlphaFold3 则进一步把问题从“蛋白如何折叠”推进到“生命分子如何相互作用”。从结构约束，到蛋白结构；从单体蛋白，到蛋白复合物；从蛋白折叠，到生命分子相互作用。但 Alpha

ESMFold 很重要，但它只是 ESM 系列价值的一部分。如果只把 ESMFold 看成一个“快速版 AlphaFold”，就低估了 ESM 的意义。它把蛋白质序列从字符串变成了可计算、可表示、可推理的生命语言。当模型能够从海量序列中学习结构、功能和进化约束时，蛋白质研究就不再只是一个个实验对象的积累，而开始成为可以系统建模的语言空间。ESMFold 告诉我们，单条蛋白序列中已经隐藏着大量结构信

Proteina-Complexa 最值得关注的地方，不只是它生成了更多 binder，也不只是它来自 NVIDIA。AI 不再只是预测已有分子的结构，而是开始生成新的分子相互作用。过去，我们问的是：这个蛋白会折叠成什么？后来，我们问：这个序列能不能形成这个结构？现在，我们开始问：为了结合这个靶点，应该生成一个怎样的新蛋白？这就是从结构预测时代走向结构生成时代，再走向相互作用生成时代的变化。当然，

BindCraft 的输入通常是一个目标蛋白结构。这个结构可以来自实验解析，例如 X-ray、cryo-EM 或 NMR；也可以来自 AlphaFold、Rosetta、Boltz 等预测模型。但无论来源是什么，靶点准备都非常重要。如果输入结构本身不合理，后面的设计很容易变成“在错误地图上规划路线”。在实际使用中，通常需要对靶点做一些处理：去除无关链；裁剪过长的柔性尾部；保留功能相关结构域；检查缺

Protein Hunter 的输入可以有多种形式。最简单的情况是无条件蛋白设计，也就是只给定设计链长度，让模型生成一个新的蛋白结构。更复杂的情况是条件设计，比如给定一个靶蛋白，希望生成一个 binder；给定一个小分子，希望生成一个能包裹或识别它的蛋白；给定一段 RNA 或 DNA，希望生成一个核酸结合蛋白。如果设计的是蛋白 binder，输入通常包括靶蛋白序列或结构信息，以及设计链的长度范围。

读这本书，最大的感受是：抗体工程并不神秘。它并不依赖某种不可言说的灵感。它依赖标准化，依赖 protocol，依赖反复验证，依赖对失败原因的记录，也依赖对分子缺陷的提前识别。但它也并不简单。因为一个抗体分子，既要懂生物学，又要受物理化学约束；既要有功能，又要能生产；既要在模型里成立，又要在实验里成立；既要在体外好看，又要在体内可靠。这大概就是抗体工程最迷人的地方。它不是空谈“精准医疗”的口号，而是

RFdiffusion 系列论文通常会从任务、结果和实验验证角度介绍模型，例如能不能生成 binder、能不能 scaffold motif、能不能设计酶活性位点、能不能扩展到全原子相互作用。这些内容很重要，但如果只停留在模型介绍层面，会有一个问题：我们知道它“能做什么”，但不清楚它“为什么能做”和“具体怎么做”。对于真正想使用 RFdiffusion 系列模型的人来说，更关键的问题其实是：模型输

药物发现中的对象，不是平面的。分子有构象；蛋白有折叠；口袋有形状；界面有方向；氢键有角度；结合有姿势；活性来自空间中的相遇。所以，AIDD不能只停留在字符串、表格和指纹上。它必须走向三维空间，走向几何约束，走向结构生成。Transformer架构让模型学习远距离关系；图神经网络/消息传递网络让模型学习结构中的相互连接；E(3)等变性让模型尊重平移、旋转和反射；SE(3)等变性让模型尊重平移和旋转，

在AIDD中，AI可以快速提出候选分子；对接可以快速给出结合姿势；打分函数可以快速排出优先级。但真正的问题是：这个姿势能不能稳定？这个结合能不能持续？这个界面会不会散？这个氢键是不是偶然？这个分子是否真的让蛋白状态发生改变？这个自由能差异是否足以支持结构优化判断？分子动力学和自由能计算，就是把这些问题放到时间和能量中重新审问。拓扑生成和成键信息决定体系是否真实；力场决定模拟世界的物理规则；能量最小

AI 制药这些年讲过许多故事。一开始讲虚拟筛选，后来讲分子生成，再后来讲 AlphaFold、扩散模型、蛋白设计、抗体设计、干湿闭环。每一代故事都有自己的热闹，也有自己的贫乏。热闹在于工具越来越多，贫乏在于许多工具仍然像一排分工明确的工人：有人只会做小分子，有人只会做蛋白，有人只会预测结构，有人只会打分，有人只会生成。它们各自忙碌，却未必真正理解同一个世界。ODesign 的野心，正在这里。它不是