该框架不追求复制自然界已有序列，而是有潜力设计出功能更优的全新蛋白质。
AI解读：天然蛋白质只是演化碰巧产生的样本，并非功能最优解，而现有计算设计工具往往偏向于生成与天然序列相似的蛋白，限制了探索空间。MIT团队为此开发了一个新的机器学习框架，目标是在不参考天然序列的情况下，直接根据目标功能筛选候选蛋白，从而提高计算设计的成功率，并有望生成自然界不存在的全新蛋白质。对药物研发、工业酶改造和合成生物学的研究者来说，这套框架可能改变他们筛选候选分子的方式——从依赖已有的结构数据库转向依据功能参数进行设计。需要说明，目前该研究仅发布了摘要，尚未披露框架的具体架构和验证数据，因此其实际效果和适用范围仍需等待完整论文和后续测试来确认。
麻省理工学院（MIT）生物学系团队开发了一种新的机器学习框架，旨在提高计算蛋白质设计的成功率，同时使设计结果不再偏向于自然界中已存在的序列。
该消息来自MIT生物系发布的新闻稿。新闻稿称，当前的计算蛋白质设计工具往往生成与天然序列相似的输出，而新框架试图跳出这一限制。具体的框架结构、算法细节以及实验验证结果尚未在新闻稿中透露。