疫苗抗原、工具蛋白与 AlphaProteo：设计技术的下一段

RBD 表面图、结合曲线、7JZU 结构图和细胞读数把问题收在一片目标表面上：小蛋白能不能折起来，能不能贴到正确位置，能不能经过表达、纯化和复测留下来。设计任务再打开时，屏幕旁边开始并排放三张验证表：一张写着表位图、抗体接触残基、糖基化位点、构象状态、免疫血清和中和曲线；一张写着显微镜图、荧光时间曲线、流式图、背景读数、定位和表达负担；还有一张写着 target 结构、偏好结合区域、候选 binder、表达纯化、亲和力、失败目标和后续工程问题。

三张表都属于蛋白设计，却不能用同一个终点评判。疫苗抗原要让免疫系统更可能看见该看的表位；工具蛋白要把生物过程变成稳定、低背景、可重复的读数；AlphaProteo 这类 binder 系统要在给定目标和偏好结合区域后，更快生成可测候选。它们共享结构和序列语言，真正的成功定义却分开写在不同表格里。

24.1三张验证表，三种终点

疫苗抗原表的第一列通常不问“抓没抓住目标”，而问免疫系统看见了什么。表位，也就是抗体或免疫受体真正接触的局部区域，要在合适构象里露出来；糖基化，也就是蛋白表面接上的糖链，可能遮住关键表面；免疫原，是能引发免疫反应的抗原设计体。一个分子能被免疫系统识别，只是开始，还要看反应是否指向足够关键的位置。

工具蛋白表的终点不同。工具蛋白常用于观察、控制、测量或改造生物过程，价值经常在实验可靠性，而非直接治疗。生物传感器把某个分子或状态变化转成可检测信号，报告蛋白或报告系统帮助读出通路、定位或细胞状态。这里的核心问题超过亮度：动态范围够不够大，背景信号够不够低，定位是否正确，工具自身有没有扰动原系统。

第三张表回到 binder。binder 是被设计来结合目标对象的蛋白；target，目标对象，可以是一种蛋白、一片表面或一个分子区域；preferred binding region，偏好结合区域，是研究者希望 binder 贴上的地方。AlphaProteo 这类系统把这个任务写得更明确：给定目标结构和希望结合的位置，生成候选 binder，再把它们送进表达、纯化和结合测试。

三张表连在一起，设计技术的变化才清楚。候选入口更快，任务定义更细，失败记录更早进入实验表；验证门槛没有消失。抗原、工具和 binder 都从结构图出发，却分别走向免疫读数、实验读数和结合读数。

Top7 的样品和坐标门槛、RBD minibinder 的目标表面和细胞读数，已经把设计语言带到实验表里。现在同一套语言分出三条路：目标可能是免疫系统，可能是显微镜和流式读数，也可能是一个新的 target 表面。问题变宽以后，最危险的误读也跟着出现：把所有“设计成功”当成同一种成功。

每一类对象都要回到验证表。抗原设计问免疫系统是否朝正确表位反应，工具蛋白问读数是否可靠，binder 系统问候选是否在目标表面形成可复测的结合。设计技术越快，越需要先把终点写清楚。

这也让“设计技术的下一段”有了更具体的含义：不同任务的第一张实验表被提前摆出来。抗原表先问样品和免疫方向，工具表先问信号和扰动，binder 表先问目标表面和复测。表格越早出现，成功和失败就越不容易被一个漂亮模型盖住。

24.2疫苗抗原先问免疫系统看见什么

疫苗抗原设计的目标，常常是让免疫系统把注意力放到关键表位上。病毒融合蛋白尤其容易说明这一点。某些表位只在融合前构象里清楚出现；病毒进入细胞以后，蛋白形状会改变，原来可见的表面可能消失。设计者因此会想办法稳定融合前构象，让重要表位在样品里更可靠地保留下来。

RSV 的 DS-Cav1 是一个短例。McLellan 等人在 2013 年的 Science 论文中，围绕 RSV F 蛋白的融合前状态做结构基础疫苗设计，目标包括稳定一个对强中和抗体很重要的表位。Crank 等人在 2019 年的 Science 论文中，把这种结构基础设计推进到人体概念验证层级，报告了针对融合前特异表面的血清中和活性提升。这个例子说明结构图可以改变抗原设计的方向，也提醒人：概念验证仍要放在对应研究层级里读。

SARS-CoV-2 的 HexaPro 也属于同一类短例。Hsieh 等人在 2020 年 Science 论文中报道了融合前稳定的 spike 设计，筛查结构引导突变组合，得到表达量和稳定性更好的 spike 变体。这里不能只盯着图上的几个突变；表达量、纯化产率、热稳定性、构象比例、聚集状态和后续免疫读数，都会继续改变设计体的地位。

抗原验证表因此会写很多列。表达太低，免疫实验没有可靠入口；纯化后聚集，读数会混进样品状态问题；构象确认不清楚，关键表位是否展示出来就成了疑问；抗体很多，中和却弱，说明免疫反应可能偏向了不关键表面。佐剂，也就是帮助增强或调整免疫反应的配方成分，递送方式、剂量、安全性和生产批次，也会继续设门。

这里的每一列都可能改变设计判断。表达量高但构象不稳，说明样品多，却未必是想要的样子；构象抗体能识别，但中和曲线弱，说明免疫系统也许看见了表位，却没有产生足够有用的功能反应；动物实验里某条曲线好看，也还要看剂量、时间、佐剂和对照。结构图能让第一轮抗原更有方向，不能替免疫系统作答。

抗原设计还会处理“遮住”和“展示”这两个相反动作。有些表面希望被看见，就要稳定构象、减少摇摆、避免糖链遮挡；有些表面会分散免疫注意力，反而需要被弱化或避开。表位图不是一个静止标签，它会在表达、纯化、储存、免疫读数和中和曲线中反复被检查。

抗原设计最容易被误读成“看见表位就等于得到疫苗”。更稳的读法是：表位图让设计更有方向，构象稳定让样品更像想要的状态，血清和中和曲线把免疫反应推向功能问题。动物或早期人体读数不能自动推广成广泛保护；抗体数量也不能替代中和能力。疫苗抗原的成功，要在样品、构象、免疫方向和功能读数之间一起成立。

这些边界不会削弱 DS-Cav1 或 HexaPro 这类案例的意义。恰恰相反，它们说明结构基础设计真正改变了第一轮抗原怎么想：先找关键表位，先稳定需要展示的构象，先把表达和样品状态纳入设计目标。强处在这里，边界也在这里。结构图能把免疫问题变得更可设计，不能把免疫系统变成结构图的直接执行者。

24.3工具蛋白先问读数是否可靠

工具蛋白的验证表换了一种问题。它常常不负责治疗，而负责让研究者更清楚地观察或控制生物过程。一个传感器可以让小分子浓度变化变成荧光曲线，一个报告系统可以让通路开启变成流式图中的分群，一个定位工具可以把某类细胞状态显示在显微镜下。它的价值来自可靠读数。

Quijano-Rubio 等人在 2021 年 Nature 报道的模块化、可调 de novo protein biosensor，和 Langan 等人在 2019 年 Nature 报道的 de novo protein switch，适合作为短参照。它们说明设计蛋白可以被做成开关或传感器，让输入分子、蛋白构象和信号输出连起来。可是一个设计系统能在模型或纯化体系里开合，距离细胞里稳定好用仍有多道检查。

工具蛋白表会把亮图拆成多列。动态范围说的是阳性和阴性状态之间的信号跨度，跨度太小，图像再亮也难定量。背景信号说的是没有目标事件时也存在的读数，背景高会吞掉有效信号。定位说的是工具实际出现在细胞或组织里的位置；传感器若跑到错误细胞器，读到的就可能是另一个局部环境。

失败也常常不表现为完全没有反应。有的 biosensor 信号弱，阳性和阴性只差一点；有的信号强，背景也高；有的在试管里能工作，进细胞后被降解或定位错误；有的表达太多，让细胞生长变慢，工具自身已经改变了原系统。一个细胞系里读数清楚，换到原代细胞、另一种组织环境或另一台仪器，背景、表达量和定位都可能重新排列。

因此，工具蛋白的结果页不能只放最亮的图片。它还要写动态范围、背景、定位、表达负担、扰动风险、批次重复和跨实验室可用性。阴性对照和阳性对照同样重要：前者告诉人背景从哪里来，后者告诉人体系能否读出已知变化。工具蛋白可以帮助研究机制、筛查通路或建立读数，它不自动成为治疗蛋白。

一个结果页如果只有显微镜图，很容易让人被亮度说服。更可靠的页面会把荧光曲线、流式分布、阴性细胞、阳性刺激、表达量和定位图并排放出来。若阳性刺激加入后信号升高，撤去刺激后却回不来，工具可能不适合追踪动态过程；若对照细胞也亮，背景就要先降下来；若工具集中在细胞核而目标事件发生在膜上，定位就已经改变了解释。

工具蛋白的失败记录也能回流。背景高，可能要改报告模块或降低表达量；动态范围小，可能要重做开关耦合；定位错误，可能要调整标签、连接肽或细胞内运输信号；扰动细胞，可能要换更温和的表达条件。工具蛋白的价值在于受控条件下的可重复读数，亮度只是其中一列。

工具蛋白还有一个和抗原、药物候选都不同的宽容度。有些工具会轻微扰动系统，只要扰动被测量、对照能约束，研究者仍可能在特定问题里使用它；同样的扰动若被放进治疗方向，就可能成为不可接受的风险。任务终点不同，允许的噪声也不同。把这一点写清楚，才能避免把“好工具”误读成“好疗法”。

24.4AlphaProteo 把 binder 任务系统化

AlphaProteo 把第三张表写得更像系统任务。Google DeepMind 在 2024 年 9 月 5 日官方博客中介绍 AlphaProteo，称它用于设计高强度 protein binders。Zambaldi 等人的 arXiv:2409.08022 技术报告题为 De novo design of high-affinity protein binders with AlphaProteo，把它放在 de novo protein binder design 任务下。这里的信源层级要先放稳：官方博客适合核验公开宣称和边界，arXiv 技术报告适合了解模型与实验报告，但它仍是技术报告和预印本层级。

官方博客写明，AlphaProteo 使用了来自 Protein Data Bank 的大量蛋白数据，以及超过一亿个 AlphaFold predicted structures。给定 target molecule 的结构和一组 preferred binding locations，系统生成候选 binder。屏幕上的输出像一张候选表：目标结构、偏好区域、候选数量、设计姿势、表达计划和后续亲和力测试排在一起。

官方博客还报道，AlphaProteo 在 7 个 tested targets 上取得较高 experimental success rates，并相对既有最佳方法得到 3 到 300 倍 binding affinity improvement。列出的成功目标包括 BHRF1、SC2RBD、IL-7Rα、PD-L1、TrkA、IL-17A 和 VEGF-A。BHRF1 上，博客称 88% candidate molecules bound successfully。博客还说，Francis Crick Institute 的外部研究组进一步检查了部分 SC2RBD 和 VEGF-A binders，确认一些结合相互作用接近 AlphaProteo 预测；部分 SC2RBD binders 在实验中阻止 SARS-CoV-2 及部分变体感染细胞。

这组 target 名字不只是清单。BHRF1 和 SC2RBD 来自病毒相关任务，PD-L1、IL-7Rα、TrkA、IL-17A、VEGF-A 则把问题推到免疫、炎症、神经生长或血管生成等不同生物语境。不同 target 的表面形状、柔性、寡聚状态、可表达性和读数体系都不一样。一个系统能在多个对象上给出可测候选，说明候选入口变强；这些对象彼此不同，也提醒人不能把一组结果读成通用保证。

这些数字让系统能力值得认真对待，也必须和边界一起读。TNFα 是同一篇官方博客列出的失败 target：AlphaProteo 未能为第 8 个 target 设计出成功 binders。这个失败目标不能删掉，因为它说明 target 表面形状、柔性、可设计界面和实验体系差异仍在限制结果。一个目标成功，不能推出所有目标都容易；一个 binder 结合强，也不能替特异性、稳定性、低免疫原性、递送、体内有效性和生产放大作答。

AlphaProteo 的技术报告摘要还写到，结果提示许多研究应用中的 binder 可能只需一轮中等通量筛选且无需进一步优化就能 ready-to-use。这个表述要按作者和报告语境读。中等通量筛选能让研究者更快找到一批有希望的 binder，却没有自动完成结构确认、功能复测、安全性评估和用途开发。候选生成快，只代表入口提前，验证表仍要逐列填写。

AlphaProteo 因此适合被写成前沿研究系统，不适合被写成临床化平台。它的输出首先是候选，候选要走表达、纯化、结合复测、结构姿势检查和功能读数。若目标是研究工具，后面还要看背景、定位和扰动；若目标被放进药物方向，递送、半衰期、毒性、免疫原性、组织分布和生产质量都会重新排序。binder 只说明分子角色，用途终点还要另行验证。

这也是为什么 TNFα 失败目标要和 7 个成功目标放在同一段里读。成功目标说明系统能把候选入口提前，失败目标说明 target 本身仍会选择方法。某些表面可能给出清楚界面，某些表面可能太平、太柔、太依赖寡聚状态或太难在实验里分辨真实信号。失败列留在表格里，前沿系统才保留科学工具的样子。

24.5失败列把三类任务分开

三类任务最能被失败列区分。疫苗抗原失败，常见在表达低、构象不稳、表位被糖链挡住、抗体偏向非关键表面、中和弱。工具蛋白失败，常见在信号弱、背景高、定位错误、扰动细胞、跨批次或跨实验室不稳定。binder 系统失败，常见在目标表面太平或太动态、候选表达纯化失败、结合强但功能弱、结构姿势偏离预期，或者像 TNFα 那样成为明确失败目标。

失败记录的价值，在于它会回到下一轮设计。抗原表达困难，设计者要重新看序列、糖基化和构象稳定；构象抗体读数不对，就要回看表位是否真的展示出来。biosensor 背景高，要重新查报告系统、细胞环境和表达量；定位错误，要重新看标签、连接肽或细胞内运输。binder 表里若候选表达失败，就要回看序列性质、折叠稳定和宿主；若亲和力强但功能弱，就要问目标区域是否真的对应任务目标。

三张表的失败记录还有不同的时间尺度。抗原可能要等免疫周期结束才知道反应方向，工具蛋白可能在一次显微镜或流式实验里立刻暴露背景问题，binder 候选可能在表达板和亲和力复测时很早退场。时间尺度不同，实验安排也不同。抗原更怕把早期读数过度外推，工具更怕把漂亮图片当成可靠工具，binder 更怕把强亲和力当成用途成功。

把失败列写清楚，能防止三类任务互相借错结论。抗原设计可以借 binder 的界面语言理解表位，工具蛋白可以借 binder 捕捉目标，AlphaProteo 生成的 binder 也可能成为实验工具、诊断试剂或后续工程候选。共享语言不等于共享终点。抗原表最后要问免疫方向，工具表最后要问信号可靠性，binder 表最先要问候选是否真实可测，再逐步进入用途问题。

这也是设计技术进入下一段的真实变化。研究者能更早得到候选，更早列出实验计划，也更早看到失败发生在哪里。早一点发现失败，并不会削弱设计技术；它让下一轮修改更具体。若大量候选只带来无法解释的读数，速度反而会变成噪声。

把失败写成表格，也能让不同团队更容易交流。抗原团队可以说明问题停在构象还是中和，工具团队可以说明问题停在背景还是定位，binder 团队可以说明问题停在表达、亲和力还是功能读数。失败位置越具体，下一轮设计越像有方向的修改，不必总是回到原点。

24.6成功定义和信源层级不能混读

“成功”这个词在三张表里含义不同。疫苗抗原的成功，不能用工具蛋白的亮图来替代；工具蛋白的成功，也不能用 binder 的强亲和力来替代。抗原看重构象、表位、免疫方向和中和读数；工具看重动态范围、背景、定位和可重复；binder 看重目标区域、表达纯化、亲和力、复测、结构姿势和后续功能。把这些终点混在一起，就会把设计结果写得过满。

信源层级也要分开：官方博客适合核验发布日期、目标列表、公开宣称和作者承认的边界，arXiv 技术报告适合查看模型任务、实验设置和作者报告的结果，而外部实验验证、同行评审论文和后续复现会继续改变证据重量——技术报告本身还没有自动获得同行评审论文的分量。所以 AlphaProteo 的强结果要和 TNFα 失败目标、复测要求、生物工程障碍一起读；外部研究组的复查能增强可信度，后续独立复现和不同应用场景测试还会继续改变判断。读前沿系统时，来源层级本身也属于证据判断。

生物工程障碍指的是一个能结合的分子走向真实用途时仍要跨过的工程问题，包括稳定性、特异性、递送、免疫原性、生产和安全性等。DeepMind 官方博客也明确写到，strong binding 通常只是 practical applications 的第一步，后面还有 many more bioengineering obstacles。这个边界必须保留，否则 AlphaProteo 很容易被误读成已经完成所有 binder 问题的机器。

同样，疫苗抗原设计不能被写成已经获得疫苗，工具蛋白不能被写成治疗蛋白，binder 强结合不能被写成药物成功。候选生成越快，越需要先写清楚成功定义。只有把目标、验证表、失败列和信源层级一起摆出来，设计技术的进步才不会被宣传语吞掉。

这条规则也适用于那些听起来很强的短语。ready-to-use for many research applications 是技术报告摘要里的作者表述，适合说明他们对部分研究应用的判断，却不能扩展成“所有应用无需优化”。3 到 300 倍亲和力提升，是在对应 tested targets 和比较方法下的结果，不能变成任意 target 的承诺。前沿章节越接近新闻发布，越要把强结果和适用范围绑在一起。

24.7进入复合体图之前

回到开头的三张验证表，它们现在代表三种不同的判断方式。抗原表把表位、糖基化、构象、免疫血清和中和曲线排在一起；工具表把显微镜图、荧光曲线、流式图、背景、定位和扰动记录排在一起；binder 表把 target 结构、偏好结合区域、候选 binder、表达纯化、亲和力、失败目标和后续工程问题排在一起。它们共同说明，设计对象已经从单个 minibinder 扩展到更宽的任务空间。

这个扩展并没有让实验退场。它让实验更早参与排序：哪些抗原值得做免疫读数，哪些工具值得换到细胞里测试，哪些 binder 候选值得复测亲和力和结构姿势。设计技术的下一段，核心是任务定义更细、候选入口更快、验证表更早出现。

三张表也把主线带回结构图进入真实研究这件事：它不只是改变一个实验的先后顺序，还会改变问题怎样被拆开、候选怎样被排序、失败怎样被记录。小蛋白可以被要求抓住目标表面，同样的设计语言也会分流到免疫、测量和更系统化的 binder 生成。分流以后，边界反而要写得更清楚。

蛋白、核酸、小分子、离子和修饰残基开始挤进同一张复合体预测图。设计对象从一条新蛋白序列扩展到多个分子对象同时相遇；相互作用会更早进入视野，解释边界也一起变厚。