🎯 情报来源：机器之心
近日，悉尼科技大学、浙江大学杨易团队与华盛顿大学David Baker团队联合提出了一种名为ResiDPO（Residue-level Designability Preference Optimization）的新型算法，显著提升了AI在蛋白质序列设计中的效率。通过引入残基级结构反馈（pLDDT）优化，该方法将酶和结合剂的设计成功率分别提高了3倍和2倍，并大幅降低了计算成本。
研究团队构建了一个带有pLDDT标签的大规模数据集，并基于此对LigandMPNN模型进行了微调，最终得到EnhancedMPNN模型。实验表明，EnhancedMPNN在复杂多链系统中展现了强大的泛化能力，为功能性蛋白质的研发提供了新范式。
核心要点：
- ResiDPO通过残基级优化解决了蛋白质设计中的目标错位问题。
- EnhancedMPNN在酶设计中的成功率达到17.57%，比基线模型提升近3倍。
- 蛋白质结合剂设计成功率从7.07%提升至16.07%，提高约2.27倍。
- 骨架成功率从19.74%提升至40.34%，扩展了可设计的骨架集。
- 研究成果于2025年5月30日发布在arXiv预印平台。
📌 情报分析
技术价值：极高
ResiDPO通过引入残基级pLDDT评分作为奖励信号，解决了传统方法中目标函数不一致的问题。其解耦优化策略显著提升了可设计性，同时避免了灾难性遗忘，为蛋白质设计提供了更高效的技术路径。
商业价值：高
EnhancedMPNN在酶和结合剂设计中的高效表现，直接降低了蛋白质工程的计算成本，缩短了研发周期。这一突破有望推动医药和生物技术领域的创新，具有较高的商业化潜力。
趋势预测：
未来3-6个月内，ResiDPO可能被进一步优化并应用于更多复杂的生物场景，如药物开发和人工合成生物学。此外，随着AI驱动蛋白质设计的普及，相关工具和平台可能会加速涌现，形成新的行业生态。