Protein Hunter：当结构预测模型开始“反向设计”蛋白

在过去几年里，蛋白质设计领域发生了一个很有意思的变化。

最早，人们问的是：给定一个蛋白序列，它会折叠成什么结构？

后来，人们开始问：给定一个目标结构，能不能设计出一条能够折叠成这个结构的序列？

再后来，问题变得更进一步：给定一个靶点、一个表位、一个小分子，甚至一段 DNA 或 RNA，能不能直接设计出一个能和它相互作用的新蛋白？

这就是今天 de novo protein design，也就是从头蛋白设计，真正吸引人的地方。

它不再满足于“解释自然界已有的蛋白”，而是试图创造自然界没有出现过、但在物理和功能上可能成立的新分子。听起来像炼金术，但它不是玄学。它背后依赖的是结构预测模型、扩散模型、序列设计模型、界面评分、实验验证，以及大量失败案例堆出来的工程经验。

在这样的背景下，Protein Hunter 被提出。

它有一个很有意思的定位：它不是重新训练一个庞大的蛋白生成模型，而是尝试反向利用已有结构预测模型的“结构幻觉”能力，来完成新蛋白设计。

这句话很关键。

过去我们把结构预测模型看成“阅卷老师”：你给它一个序列，它判断这个序列可能折叠成什么结构。Protein Hunter 的思路则更像是：既然这个阅卷老师已经见过很多结构规律，那能不能让它也临时客串一下“草图设计师”？先让它画出一个看起来合理的结构草图，再不断修改序列、重新预测结构，最后筛出那些模型自己也觉得比较可靠的候选。

这就是 Protein Hunter 最值得讨论的地方。

它不一定是万能的，也不应该被当作已经完成实验验证的成熟药物发现平台。但它提出了一种很有启发性的方向：结构预测模型不只是用来回答“这个序列会变成什么”，也可以被反向用于探索“什么样的序列和结构可能满足某个设计目标”。

一、为什么蛋白质设计正在从“预测”走向“生成”？

如果把蛋白质理解成一台微型机器，那么蛋白序列就是零件排列方式，三维结构就是机器形态，功能则是这台机器能完成的任务。

传统蛋白质研究长期面对一个核心难题：序列、结构和功能之间的关系极其复杂。

同样长度的蛋白序列，理论组合空间巨大；而一个氨基酸突变，可能几乎没有影响，也可能让蛋白完全失去功能。更麻烦的是，蛋白不是静态雕塑，而是会运动、会改变构象、会与其他分子发生动态相互作用的分子机器。

所以，蛋白设计从来不是简单地“拼一串氨基酸”。

早期的蛋白设计更多依赖物理能量函数和人工规则，例如 Rosetta 体系中的结构建模、能量优化和序列设计。后来，深度学习模型进入这个领域，尤其是 AlphaFold2 之后，结构预测的准确性大幅提高。人们开始意识到，结构预测模型不仅能帮助我们看清自然蛋白，也可以作为设计流程中的评估器和优化器。

随后，RFdiffusion 这类方法进一步把扩散模型引入蛋白骨架生成。它不只是预测结构，而是直接生成新的蛋白骨架，并可用于 binder 设计、motif scaffolding、对称组装体设计等任务。ProteinMPNN 则常被用于固定骨架后的序列设计：给定一个骨架，反推哪些氨基酸序列可能稳定地支撑这个结构。

到这里，蛋白设计已经形成了一个经典范式：

先生成骨架，再设计序列，再用结构预测模型验证。

Protein Hunter 的切入点则不同。它问了一个更“偷巧”但也很聪明的问题：

既然 AlphaFold3-style、Boltz、Chai 这类模型本身已经能预测多分子复合物结构，而且内部具有扩散式结构生成能力，那么我们能不能不重新训练模型，而是直接利用它们在预测过程中的生成能力？

换句话说，Protein Hunter 想做的不是再造一个新的巨人，而是站在已有巨人的肩膀上，借用它的想象力。

二、Protein Hunter 的核心思想：结构幻觉不是错误，而是设计入口

要理解 Protein Hunter，首先要理解一个词：structure hallucination，结构幻觉。

在普通语境里，“幻觉”听起来是负面的。模型胡说八道，是幻觉；模型生成不存在的内容，也是幻觉。

但在蛋白设计里，hallucination 有另一层含义。

它指的是：让模型从很少的约束出发，生成一个看起来合理、内部自洽、符合蛋白折叠规律的结构。

举个类比。

如果你让一个建筑师闭着眼睛，只告诉他“我要一栋三层建筑”，他可能会画出很多不同的草图。这些草图不一定能马上施工，但其中有些可能已经满足基本力学和空间逻辑。接下来，你可以对这些草图做修改、筛选和精修。

Protein Hunter 做的事也类似。

它可以从一条all-X sequence出发。所谓 all-X sequence，就是序列中的氨基酸位置都用 X 表示，X 代表未知氨基酸。也就是说，模型一开始并不知道每个位置到底是 A、G、L、Y，还是其他氨基酸。

按常规理解，这种输入似乎太模糊了。没有明确氨基酸身份，怎么预测结构？

但 Protein Hunter 的观察是：扩散式结构预测模型在这种高度不确定的输入下，仍然可能生成一些“看起来像蛋白”的三维结构。它们未必真实存在，但可能具有局部折叠合理性、二级结构组合和空间紧凑性。

于是，Protein Hunter 把这种“幻觉结构”当作初始设计草图。

之后，流程不再停留在幻觉，而是进入一个迭代循环：

结构幻觉 → 序列重设计 → 结构重预测 → 筛选 → 再设计 → 再预测。

这就像先让模型画草图，再让另一个模型补材料清单，然后再请原模型重新判断这栋建筑是否站得住。循环多次之后，一些结构和序列会逐渐变得更加稳定、更加自洽，也更值得进入后续验证。

所以，Protein Hunter 的核心不在于“模型凭空幻想出了真实蛋白”，而在于：它把结构预测模型中的生成能力，转化为一个可迭代的设计流程。

三、Protein Hunter 的技术流程：从 X 序列到候选结构

从工程流程上看，Protein Hunter 可以理解为一个“生成—重设计—重预测—筛选”的闭环。

1. 输入：先定义设计目标

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。如果设计环肽 binder，还需要指定肽链长度和环化约束。如果设计小分子 binder，则可能需要提供小分子的 CCD 编号或 SMILES 表达。对于核酸结合设计，则需要提供 DNA/RNA 序列和类型。

除此之外，Protein Hunter 还引入了一个很重要的参数：X residue 的比例。

当 percent_X 很高时，设计空间更开放，模型更容易探索不同结构；但也可能产生漂浮结构、断裂结构或界面不合理的结果。当 percent_X 较低时，部分位置已经由随机氨基酸或已有序列约束，结构可能更稳定，但探索空间也会变窄。

这其实体现了蛋白设计中的一个普遍矛盾：自由度越高，创造性越强，但失败率也越高；约束越强，结果越稳，但新颖性可能下降。

2. 结构幻觉：让结构预测模型先画草图

在初始阶段，Protein Hunter 使用 AF3-style 的结构预测模型，例如 Boltz 或 Chai，基于 all-X 或 mixed-X 序列生成候选结构。

这里的关键不是传统意义上的“准确预测”，而是让模型从不确定输入中采样出可能的三维构象。

对于无条件设计，模型要生成一个内部折叠合理的新蛋白。对于 binder 设计，模型还要同时考虑设计链与靶标之间的位置关系和界面接触。对于环肽设计，模型需要在短肽长度、环化限制和靶标界面之间找到平衡。对于小分子或核酸设计，模型还需要处理蛋白与非蛋白分子的复合物关系。

这一步得到的结果通常还只是草图。

它可能看起来合理，也可能只是模型“自我感觉良好”。因此，后面的序列设计和交叉验证非常重要。

3. 序列重设计：让 ProteinMPNN / LigandMPNN 补上真实氨基酸

有了初步结构之后，Protein Hunter 会进入序列重设计阶段。

这一步常常依赖 ProteinMPNN 或 LigandMPNN 这样的反向折叠模型。它们的任务是：给定一个结构骨架，设计出更可能支撑该骨架的氨基酸序列。

如果把结构比作建筑图纸，那么 ProteinMPNN 就像是根据图纸选择钢筋、水泥和材料规格。它不是随便填氨基酸，而是根据局部几何环境、邻近残基、链间关系等因素，判断每个位置更适合出现哪些氨基酸。

对于小分子 binder 设计，LigandMPNN 的意义更明显，因为它可以考虑蛋白与配体附近的局部环境。对于蛋白 binder，ProteinMPNN 可以帮助设计出更稳定的 binder 序列，同时减少纯粹由结构预测模型采样带来的序列偏差。

这里有一个实际问题值得注意：有些生成流程可能偏好产生过多 alanine。Alanine 是一个小而简单的氨基酸，在很多模型里容易被用作“安全选择”。但如果一个设计中 alanine 比例过高，它可能看起来结构稳定，却缺乏真实界面的化学多样性，也可能影响可开发性和功能表达。

因此，Protein Hunter 的实现中也会对 alanine 比例等指标做限制。

4. 结构重预测：让模型重新检查自己的答案

序列重设计后，Protein Hunter 会再次进行结构预测。

这一步非常关键，因为设计出来的序列不一定真的能维持原来的幻觉结构。一个骨架看起来很漂亮，但如果没有合适的序列来支撑，它就只是纸上楼阁。

结构重预测的目的，就是检查：

这条新序列是否还能折叠成目标结构？

它是否仍然能与靶标形成合理界面？

模型对复合物的信心是否足够高？

在这个过程中，常用指标包括 pLDDT、PAE、ipTM、界面接触情况、结构紧凑性、链间相对位置等。

其中，pLDDT 更关注局部结构可信度；PAE 反映不同区域之间相对位置的不确定性；ipTM 更常用于复合物界面关系的信心评估。对于 binder 设计而言，ipTM 往往比单链 pLDDT 更重要，因为一个 binder 自己折得很漂亮，并不代表它真的能贴到靶点上。

这就像一个人自己站得很稳，不代表他能和另一个人跳好双人舞。

5. 迭代优化：不是一次生成，而是多轮筛选

Protein Hunter 不是一次性给出答案，而是通过多轮循环逐步优化。

每一轮都会经历结构预测、序列设计、再预测和筛选。那些评分较高、结构较合理、界面更可信的候选会被保留下来，进入下一步分析。

这种流程的优势在于轻量。

它不需要为每个任务重新训练一个模型，也不需要从零构建大型生成网络。它更像是把已有模型组织成一个设计工作流，让模型之间相互校正、相互推动。

但这也带来一个问题：如果底层结构预测模型的偏差很强，迭代流程可能会不断强化这种偏差。

也就是说，模型可能越来越相信一个看似漂亮但实际不成立的结构。对于计算设计来说，这种“自洽但不真实”的风险一直存在。

所以，Protein Hunter 的结果不能只看一个分数，更不能只看模型渲染出来的漂亮结构图。真正可靠的判断，还需要结合物理能量、界面化学、保守性、可表达性、聚集风险，以及最终实验验证。

四、Protein Hunter 能做什么？

Protein Hunter 的吸引力在于，它不是只针对一种任务，而是试图成为一个相对通用的 de novo design 框架。

1. 无条件 de novo protein design

无条件设计是最基础的任务。

用户只指定蛋白长度，模型尝试生成一个全新的、能够稳定折叠的蛋白结构和序列。

这类任务的价值主要在于探索新的蛋白骨架空间。它未必马上对应药物开发中的某个靶点，但可以为后续 scaffold、酶设计、材料蛋白设计提供结构基础。

不过，无条件设计的评价也相对困难。因为没有明确功能目标，一个结构即使看起来稳定，也不代表它有实际应用价值。它更像是先创造一批“候选零件”，未来再看哪些零件适合被改造成工具。

2. 蛋白-蛋白 binder 设计

这是 Protein Hunter 更重要的应用方向之一。

在药物研发和生物技术中，设计一个能结合特定靶蛋白的 binder 非常有价值。它可以作为拮抗剂、激动剂、诊断探针、靶向递送模块，也可以作为更复杂治疗分子的组成部分。

Protein Hunter 可以给定目标蛋白，然后生成一个新的蛋白链，让它尝试与靶标形成复合物。

这里真正难的不是“生成一个能折叠的蛋白”，而是让它在正确位置、以正确构象、通过合理的氢键、盐桥、疏水作用和形状互补，与靶点形成稳定界面。

这也是 binder 设计一直困难的原因。

很多计算模型可以生成看起来贴在靶点上的结构，但实验中可能完全不结合。原因可能是界面接触不足、构象不稳定、熵损失过大、溶剂效应被忽略、表达失败，或者模型只是预测出了一个过度理想化的结合姿势。

因此，对于 Protein Hunter 生成的 protein binder，后续仍然需要进行更严格的界面能量评估、分子动力学、突变扫描和实验验证。

3. 环肽 binder 设计

环肽是一个很有意思的方向。

相比线性肽，环肽因为首尾或侧链之间形成环化约束，通常具有更强的构象限制，也可能表现出更好的稳定性、抗降解能力和结合特异性。相比大蛋白 binder，环肽又更小，理论上可能更适合一些浅表口袋、蛋白-蛋白相互作用界面或难成药靶点。

Protein Hunter 支持 cyclic peptide binder 设计，这对 AIDD 和肽类药物开发很有吸引力。

不过，环肽设计也更容易出现“模型分数好看，但物理细节不稳”的问题。比如，环化几何是否合理？主链是否过度扭曲？是否存在异常键长？构象是否真的被稳定约束？与靶点结合时是否需要付出过高的构象熵代价？

对于环肽来说，仅仅看 ipTM 或 pLDDT 是不够的。还需要关注环化键几何、二面角分布、构象簇稳定性、界面接触持久性，以及后续合成可行性。

这也是为什么 Protein Hunter 更适合被看作“候选生成器”，而不是“最终结论生成器”。

4. 小分子 binder 设计

Protein Hunter 还可以用于设计小分子结合蛋白。

这类任务可以理解为：给定一个小分子，希望设计一个能够识别、包裹或结合它的新蛋白。

潜在应用包括小分子传感器、酶设计、代谢工程、分子捕获工具等。

但这里同样要谨慎。小分子结合涉及非常细致的局部化学环境，包括氢键供受体、疏水腔体、芳香堆积、金属配位、水分子介导作用、诱导契合等。结构预测模型可以给出一个复合物姿势，但这不等于真实亲和力。

对于小分子 binder，后续通常还需要 docking、分子动力学、自由能计算和实验测定。尤其是如果目标是药物研发，不能把模型预测的结合姿势直接等同于可用候选。

5. DNA/RNA 结合蛋白设计

Protein Hunter 也支持 DNA 或 RNA 结合蛋白设计。

这类任务对生物技术很有意义，比如设计核酸识别蛋白、基因调控工具、RNA 结合模块等。

但核酸结合蛋白设计有自己的复杂性。DNA/RNA 不只是一个静态靶点，它有电荷分布、沟槽结构、碱基识别、构象柔性和序列特异性问题。蛋白与核酸的结合也常常依赖正电残基、局部结构域和特定氢键网络。

因此，这类设计结果尤其需要区分“能靠近核酸”和“能特异性识别核酸序列”。前者相对容易，后者难得多。

6. 多靶标和异质靶标设计

Protein Hunter 还尝试支持多类型靶标组合，例如蛋白加小分子，或更复杂的复合体系。

这说明它的野心不只是做单一蛋白设计，而是向“多分子相互作用设计”靠近。

从药物研发角度看，这种方向很重要。真实生物体系中，很多功能不是单个蛋白完成的，而是蛋白、核酸、小分子、离子和膜环境共同参与的结果。如果设计模型只能处理孤立蛋白，它就很难进入更复杂的生物场景。

但越复杂的体系，模型不确定性也越高。多分子体系中，一个错误的相对构象就可能让整个设计失效。因此，对于这类任务，Protein Hunter 的结果更应该被视为早期探索，而不是最终答案。

五、Protein Hunter 与 RFdiffusion、BindCraft、ProteinMPNN、AlphaFold3 是什么关系？

理解 Protein Hunter，最好不要把它孤立看待，而要把它放进当前蛋白设计工具谱系中。

RFdiffusion：更像“专业骨架生成器”

RFdiffusion 是一个明确面向蛋白结构生成的扩散模型。它可以生成蛋白骨架，也可以用于 binder 设计、motif scaffolding、对称结构设计等任务。

它的特点是：生成能力强，任务定位清晰，已经在多个设计任务中展示了实验验证案例。

相比之下，Protein Hunter 的特点不是训练一个新的生成模型，而是利用已有结构预测模型的扩散式生成能力。它更轻量，也更依赖底层预测模型的能力和偏差。

如果说 RFdiffusion 是一个专门训练过的结构设计师，那么 Protein Hunter 更像是把一个优秀结构预测老师临时改造成设计师。

BindCraft：更像 binder 设计工程流

BindCraft 是围绕 binder 设计构建的工作流，通常会结合骨架生成、序列设计、结构预测、界面筛选等步骤。

它更像是一个面向 protein binder 的工程化流程。

Protein Hunter 与这类方法的共同点在于，它们都不是单一模型，而是组合多个模型构成设计闭环。不同点在于，Protein Hunter 更强调从 all-X 或 mixed-X 输入出发，利用结构预测扩散模型进行 hallucination，并通过迭代结构重预测和序列重设计来推进设计。

ProteinMPNN：更像“序列补全器”

ProteinMPNN 本身不是结构生成模型，而是固定骨架序列设计模型。

它解决的问题是：给定一个蛋白骨架，什么序列更可能折叠成这个骨架？

在 Protein Hunter 中，ProteinMPNN 或 LigandMPNN 更像是一个序列重设计模块。它不是负责最初的结构幻觉，而是帮助把幻觉结构转化为更合理的氨基酸序列。

也就是说，Protein Hunter 的设计循环里，结构预测模型负责“想象结构”，MPNN 负责“让结构有更靠谱的序列支撑”。

AlphaFold3 / Boltz / Chai：从预测器变成设计循环的一部分

AlphaFold3、Boltz、Chai 这类模型的核心能力是预测多分子复合物结构。它们可以处理蛋白、核酸、小分子等不同类型分子之间的相互作用。

在传统使用方式中，它们主要承担验证角色：给定序列和分子输入，预测结构是否合理。

Protein Hunter 的特别之处在于，它把这类模型推到了更前面：不仅用它们验证结果，也利用它们在扩散过程中的结构生成能力，作为设计起点。

这就是 Protein Hunter 的思想变化：结构预测模型不只是裁判，也可以参与造物。

六、Protein Hunter 对 AIDD 和药物研发的意义

从药物研发角度看，Protein Hunter 的意义不在于它已经解决了蛋白设计问题，而在于它降低了早期候选生成的门槛。

在传统流程中，如果想设计一个新的 protein binder 或 cyclic peptide binder，往往需要复杂的模型部署、骨架生成、序列设计、结构预测和筛选流程。不同工具之间输入输出格式不统一，参数众多，调试成本很高。

Protein Hunter 尝试把这些过程组织成一个相对连续的框架：从输入靶标，到生成候选结构和序列，再到筛选高置信设计。

这对早期探索很有价值。

比如，在靶点尚缺乏已知 binder 的情况下，可以先用 Protein Hunter 生成一批候选。然后再结合结构过滤、界面能量、分子动力学、可开发性评分和实验筛选，把候选逐步压缩到更小范围。

对于环肽药物开发，它可以作为一个早期构象和界面探索工具。对于小分子结合蛋白，它可以帮助产生潜在口袋或结合框架。对于核酸结合蛋白，它可以探索新的识别结构域。对于蛋白 binder，它可以辅助生成初始 scaffold。

但要注意：早期候选生成不等于药物发现完成。

Protein Hunter 生成的是计算候选，不是临床候选。中间还隔着表达、纯化、结合实验、功能实验、稳定性、免疫原性、毒性、药代动力学等大量关卡。

所以，Protein Hunter 最适合的位置，是在药物研发早期的“想法放大器”和“候选生成器”。

它可以帮助研究者更快产生结构假设，但不能替代实验告诉我们这些假设是否成立。

七、局限性：漂亮结构不等于真实结合

任何蛋白设计模型都绕不开一个问题：模型分数到底代表什么？

高 pLDDT 说明局部结构可信度可能较高，但不代表蛋白一定能表达。

高 ipTM 说明模型认为复合物界面相对可信，但不代表真实亲和力高。

低 PAE 说明模型对相对构象更有信心，但不代表这个构象在溶液中稳定存在。

这三句话非常重要。

在计算结构设计中，最危险的误解就是把“模型相信”当成“自然界同意”。

模型可以生成一个看起来非常漂亮的复合物结构。界面贴得很紧，颜色图也很好看，分数也不差。但实验中，它可能完全不表达、严重聚集、无法纯化，或者根本不结合靶点。

这不是模型一定错了，而是现实比模型输入复杂得多。

真实蛋白要面对溶剂环境、离子强度、温度、pH、翻译后修饰、构象变化、竞争性结合、非特异性吸附、细胞环境和免疫系统。模型通常只看到其中一部分。

Protein Hunter 还有一些具体风险：

第一，漂浮结构风险。
当 X residue 比例过高、约束不足时，设计链可能生成在靶点附近，但并没有形成真实稳定界面，只是看起来“离得不远”。

第二，界面化学不足。
一个界面如果只是几何贴合，却缺乏合理的氢键、盐桥、疏水核心和电荷互补，实验成功概率会下降。

第三，过多 Alanine 或序列偏置。
如果设计序列过度依赖某些简单残基，可能造成结构预测分数好看，但真实功能和可开发性不足。

第四，可开发性问题。
候选蛋白可能存在疏水斑块、异常电荷、聚集风险、低溶解性、易降解位点、表达困难等问题。对于药物研发而言，这些问题不亚于结合力本身。

第五，实验验证仍然缺位。
公开实现中已经明确提示该工具处于实验性开发阶段，尚未完成实验室验证。因此，使用 Protein Hunter 时，最稳妥的态度不是“模型已经证明有效”，而是“模型提供了值得进一步验证的计算候选”。

这不是泼冷水，而是对模型最基本的尊重。

一个真正有价值的 AIDD 工具，不应该靠夸张宣传立足，而应该能被放进严肃的验证流程中，经得起失败、筛选和迭代。

八、如何更合理地使用 Protein Hunter？

如果把 Protein Hunter 放进一个实际设计流程中，我更倾向于这样使用它：

第一步，明确任务边界。
是设计 protein binder，还是 cyclic peptide binder？是靶向蛋白表面热点，还是识别小分子？是要探索新 scaffold，还是优化已有候选？

第二步，控制设计自由度。
不要一开始就把所有位置都放开。可以根据任务逐步调整 percent_X、长度范围、接触残基、环化约束和排除氨基酸列表。

第三步，多模型交叉验证。
不要只相信一个预测模型。可以用 Boltz、Chai、AlphaFold3 或其他结构预测方法进行交叉验证。如果不同模型都给出类似构象，可信度会更高。

第四步，增加物理和化学过滤。
除了 pLDDT、PAE、ipTM，还应加入界面面积、接触数量、氢键、盐桥、疏水接触、形状互补、电荷分布、SAP、溶解性、聚集风险等指标。

第五步，做序列层面的可开发性评估。
检查是否存在异常 Cys、过多疏水残基、长连续重复序列、潜在降解位点、极端 pI、强非特异性电荷斑块等。

第六步，进入实验前再压缩候选。
不要把成百上千个模型候选直接送实验。更合理的方式是先通过多轮计算筛选，把候选压缩到几十个甚至更少，再进入表达和结合实验。

这样看，Protein Hunter 的价值会更清楚：它不是终点，而是起点；不是判官，而是猎犬。它可以帮助你嗅到可能的方向，但不能替你证明猎物真的存在。

九、结语：Protein Hunter 真正值得关注的，不是“万能”，而是“反向使用”

Protein Hunter 最有意思的地方，不是它宣称自己能做多少任务，也不是它生成的结构图有多漂亮。

它真正值得关注的是一种方法论变化：

结构预测模型正在从“被动判断工具”，变成“主动设计组件”。

过去，我们把模型当成一个回答问题的机器：输入序列，输出结构。现在，Protein Hunter 这样的框架提示我们：预测模型内部学到的结构规律，也许可以被反向调用，用来探索新的分子设计空间。

这并不意味着模型已经理解了生命，也不意味着它能替代实验。

恰恰相反，它提醒我们：AI 蛋白设计真正进入了一个更复杂的阶段。模型不再只是给出答案，而是开始参与提出假设。研究者的任务也不再只是运行模型，而是要判断哪些假设值得相信、哪些假设只是漂亮的幻觉。

在这个意义上，Protein Hunter 这个名字倒很贴切。

它确实像一个猎手。

但它猎取的不是已经成熟的药物，而是散落在巨大蛋白空间中的结构可能性。

至于这些可能性中，哪些能被自然界接纳，哪些能被实验验证，哪些能最终走向药物研发，还需要更漫长、更严酷的筛选。

AI 可以让我们更快地进入未知森林。

但真正走出森林的路，仍然要靠科学验证一寸一寸铺出来。