字節Seed發布PXDesign：蛋白設計效率提升十倍，進入實用新階段

西風 2025-10-01 18:54:37 來源：量子位

字節Seed團隊 投稿

量子位 | 公眾號 QbitAI

AI蛋白設計進入新階段！

最近，字節跳動Seed團隊多模態生物分子結構大模型（Protenix）項目組提出了一種可擴展的蛋白設計方法，叫做PXDesign。

在實際測試中，PXDesign展現出極高的效率，24小時內即可生成數百個高質量的候選蛋白，生成效率較業界主流方法提升約10倍，并在多個靶點上實現了20%–73%的濕實驗成功率，達到了當前領域的領先水平。

要知道，蛋白設計一直是個成功率很低的任務，即便是DeepMind推出的AlphaProteo，憑借其AlphaFold系列模型，在相同靶點上的成功率也僅為 9%-33%。

此外，Protenix團隊還推出了公開免費的binder在線設計服務，讓科學家無需自建復雜流程，就能直接調用這一能力，加速科研探索。

背景與意義

蛋白質是生命活動的基石。2024年諾貝爾化學獎一半授予David Baker（計算蛋白設計），另一半聯合授予Demis Hassabis與John Jumper（蛋白結構預測）。

這也凸顯了科學家關注的挑戰：不僅要“預測結構”，更要能“反向設計”?—— 根據功能需求，創造全新的蛋白質。

其中，設計能精確結合目標蛋白的結合蛋白（binder），有望為癌癥、感染等重大疾病帶來全新療法，是領域研究的熱點。

過去，蛋白設計依賴高通量實驗篩選，往往要從數萬候選里才能淘出少數有效分子，成本高、效率低。而近幾年，深度學習的突破讓蛋白設計迎來了新機遇。

在這一背景下，字節跳動Seed團隊的Protenix項目組提出了新一代蛋白設計方法PXDesign。

實驗室驗證表明，PXDesign在多個靶點上取得了20–73%的實驗成功率，在相同靶點相較DeepMind的AlphaProteo提升2–6 倍，達到了當前領域最高水準。

這意味著，科學家們不用再像過去那樣依賴昂貴的高通量篩選實驗，只需要低通量的常規實驗，就能直接得到能緊緊抓住目標蛋白的binder。

更重要的是，團隊還提供了公開免費的網頁服務，使得蛋白設計有望成為常規科研工具的一部分，讓科學家更快地用全新的蛋白解決挑戰性問題。

PXDesign的突破：“生成+過濾”組合拳

Protenix團隊是怎么做到的？

答案在于他們打出了一套“生成+過濾”的組合拳。

生成：快速高效

想要找到合適的binder，先要讓模型給出大量的候選設計。

目前主流有兩大技術路線：

Hallucination：以BindCraft為代表，利用AlphaFold2等結構預測模型作為“評分器”，通過反向傳播不斷優化隨機序列，直到得到高置信度的設計。

Diffusion：以RFdiffusion為代表，直接從復合物數據中學習規律，從噪聲逐步生成自然界中不存在的binder結構，再預測對應的氨基酸序列。

Protenix團隊系統性探索了兩種技術路線，構建了PXDesign-d（Diffusion）和PXDesign-h（Hallucination）?兩個方案。

在相同框架下，兩者均超過了現有主流方法，而基于Diffusion的PXDesign-d在生成質量、通量和結構多樣性方面表現最佳，更適合挑戰性任務上的大規模生成。尤其是在VEGF-A、H1、TNF-α等高難度靶點上，PXDesign-d的效率較以往方法提升數倍甚至數百倍。

PXDesign-d的優勢既來自模型架構，也源于技術路線的差異。

同類Diffusion的對比：PXDesign-d采用復雜度為 O(N2) 的DiT網絡結構，而RFdiffusion中還包含O(N3) 的模塊。這讓PXDesign-d可以在更大的結構數據上訓練，生成效率也更高。

對比Hallucination路線：Hallucination方法每一步都要調用一次O(N3) 的結構預測模型，并通過反向傳播更新參數，需要多輪迭代才能收斂。這樣雖然能定向優化，但整體速度遠不及PXDesign-d。

正因PXDesign-d在效率與成功率上的大幅提升，團隊才能以免費網頁服務的形式開放大規模binder設計能力，而不再受制于計算開銷。

過濾：精準穩定

有了快速高效的生成器，下一步就是利用結構預測模型作為“篩子”，從中挑選出真正有潛力的候選。

由于蛋白設計領域的訓練數據規模和質量遠不及自然語言模型，生成器往往無法直接給出完全可靠的結果，因此仍需要依賴其他工具進行篩選，而最常用的篩選工具就是結構預測模型的置信度評分。

過濾環節重點關注兩個維度：

1）準確性：哪種過濾器的眼光最好，可以把真正合適的binder篩出來？

2）效率：在準確的前提下，哪個過濾器計算成本更低？

為此，Protenix團隊對AlphaFold 2和自研的Protenix結構預測模型在公開歷史數據上進行了系統性評估，驗證不同過濾策略的效果。

Protenix是團隊此前對標AlphaFold 3的一款開源復合物結構預測模型，該項目在GitHub上有不錯的影響力。它的名字來源于“Protein + X”，寓意是面向蛋白質和更廣泛的生物分子的基礎模型。

為了提升效率，Protenix團隊還開發了Protenix-Mini系列模型，通過 few-step ODE 擴散采樣器，把AlphaFold 3生成結構需要的200步的擴散過程簡化到2步，顯著縮短了計算時間。

結果證明，基于Protenix的過濾器有3點優勢：

1）更準：相比AlphaFold 2，Protenix在絕大多數靶點的binder挑選任務上，都有更高的準確性；

2）更快：「加速版」的Protenix-Mini有相似的篩選能力，同時效率提升了數倍；

3）更穩定：Protenix和AlphaFold 2各有偏好，把兩者組合起來，可以構建出更穩定、更精準的篩選標準。

簡而言之，以Protenix為核心構建評估工具，實驗成功率更高，尤其適合大規模篩選。這也幫助PXDesign取得了非常高的濕實驗成功率。

從算法到應用：讓蛋白Binder設計走向開放應用

為了加速binder設計和評估的效率，除了PXDesign，Protenix團隊還發布了兩款配套工具，加速設計與評估的應用落地：

PXDesign Server

基于論文成果，Protenix團隊開發了可直接使用的binder設計網頁服務——PXDesign Server（https://protenix-server.com/）。

現在，研究人員無需自己搭建流程，只需進入網站，即可一站式完成設計，獲得多樣化的binder候選與質量評估結果。

PXDesign Server提供兩種模式：

1）Preview：用于快速調試和難度預估，在20-30分鐘內返回5–25個經過篩選的候選binder。

2）Extended：用于深入研究和實驗前篩選，生成候選數量更多、質量更高、評估指標更全面，更適合進行濕實驗驗證。

PXDesign Server之所以能開放應用，正是得益于PXDesign框架生成質量和效率的大幅提升。

相比以往即便耗時數天，仍可能效果不理想的傳統方法，PXDesign Server顯著縮短了設計周期，讓高水平的binder設計真正變得觸手可及。

PXDesignBench

自從AI加入蛋白設計賽道，各種新方法層出不窮。

然而，領域內一直缺乏統一的評估標準：不同研究使用的數據集不一致、過濾器差異顯著，評估指標更是五花八門。

這樣的“各說各話”導致優劣難以公平比較，很大程度上阻礙了整個領域的進展。

為了解決這個問題，Protenix團隊分享了他們的解決方案，這就是PXDesignBench。

PXDesignBench是一套系統化的評估工具箱，整合了主流的評估指標與流程。無論是單體蛋白（monomer）還是結合蛋白（binder）的設計，都能從多個維度給出全面評價。

所有評估流程、模型調用和過濾器配置已在GitHub開源。研究者不僅能直接復現PXDesign的結果，還可以輕松將自己的方法接入進行公平對比。

One More Thing

字節不是唯一一個在生物領域有布局的互聯網大廠。今年6月，微軟發布了開源動態預測模型BioEmu，前不久，蘋果也發布了自研蛋白質折疊模型SimpleFold。

可以預見，AI在生物領域的探索正在從學術界走向工業界，未來的生物和制藥行業或許會像芯片一樣，成為科技巨頭們不愿錯過的技術高地。

項目主頁：https://protenix.github.io/pxdesign/
論文：https://protenix.github.io/pxdesign/technical_report.pdf
PXDesign Server：https://protenix-server.com
PXDesignBench：https://github.com/bytedance/PXDesignBench