方格新住民
2026/03/30 更新草稿尚未發佈閱讀 14 分鐘
分享段落
**AlphaFold 幫助我們預測蛋白質長什麼樣子。下一代模型開始處理更困難的問題：蛋白質如何移動、切換狀態，並在時間中執行功能。**
作者｜Sinclair Huang
以多構象與振動模式呈現的蛋白質動態示意。強調 VibeGen 將正常模態振動與彎曲特性納入設計目標，讓蛋白質 AI 從單一結構預測邁向「行為導向」設計。
生技與 AI 跨域研究者與策略顧問，長期關注蛋白質 AI、AI 驅動藥物開發與半導體‑生技收斂。
本文中文版首發於方格子。
圖片說明：
下列五張圖皆為作者使用 AI 圖像工具（例如 Gemini）產生並後製之概念示意圖，靈感來自相關研究與新聞圖像，但非原始論文或新聞圖片之重製。僅作為科學概念可視化之用途，並非比例或數值精確的科學圖表。
圖 1：VibeGen 蛋白質動態設計概念示意圖。彩色蛋白質結構在多方向箭頭環繞下振動與扭動，象徵從「凍結」結構走向可設計的動態行為。
AlphaFold 徹底改變了蛋白質科學，讓研究者可以以前所未有的規模與準確度預測蛋白質的三維結構。
但真正在細胞裡發揮功能的蛋白質，並不是一張靜態「照片」。
它們會彎曲、振動、打開與關閉口袋、在不同構象之間切換，並且在時間中傳遞訊號。
也因此，在「結構」之後，下一個更困難、也更關鍵的前線，很可能是：**行為（behavior）**。
最近有兩條發展路線特別值得注意：
麻省理工學院（MIT）的 VibeGen，把「蛋白質運動本身」當成設計目標，而不是只預測最後的折疊狀態；
亞利桑那州立大學（ASU）則提出一種方法，大幅加速對蛋白質慢速、大尺度運動的建模，處理過去在傳統模擬中很難有效取樣的行為。
把這兩條線放在一起看，可以感覺到：**蛋白質 AI 正在從靜態結構，走向動態行為**。
這不只是模型換代，而是整個領域在改變它要優化的「目標函數」。
## AlphaFold 解了結構，生物學仍活在運動之中
AlphaFold 的突破，是讓蛋白質結構預測變得更易取得、也更可靠。
在實務上，它回答了過去幾十年困擾生物學的一個核心問題：
給定胺基酸序列，我們比較有可能得到哪一個 3D 結構？
這個成就仍然是基礎。但精確的靜態結構，其實只是一段更大過程中的「單一影格」。
許多真正關鍵的生物事件，本質上是動態的：
- 結合口袋會在時間中打開與關閉
- 可塑性高的區段會改變界面形狀
- 變構調控（allostery）是經由細微構象變化在蛋白質內部傳遞
換句話說，一個結構即使是對的，也可能完全看不出真正重要的行為：
例如功能狀態如何切換、調控如何發生，或者某個標的在藥物設計上到底「好不好下手」。
**這個「結構與行為之間的缺口」，正是新一代工作的瞄準目標。**
## VibeGen：設計的是「動作」，而不只是「形狀」
VibeGen 最有趣的地方，不只是「用了生成式 AI」，
而是它根本改變了設計目標。
過去許多蛋白質 AI 的工作流程，即便用了深度學習，思路仍然是結構中心的：
1. 從序列預測結構
2. 從結構推測可能的功能
3. 期待這個功能在真實生化環境下仍然成立
VibeGen 則往另外一個方向推。
它把「振動與彎曲特性」當成設計條件：
- 一個模型負責提出候選蛋白質序列
- 另一個模型評估這些序列能否展現目標的運動模式
- 兩者形成一個反覆迭代的設計迴圈，而不是一次性預測
這裡的差異非常關鍵。
VibeGen 做的不是更好的「靜態預測」，而是更接近一個 **「以行為為條件的設計系統」。
圖 2：概念示意圖：左側為 AlphaFold 時代的單一靜態結構預測；右側為多個構象疊加的「動態時代」，目標是直接建模與設計蛋白質的整體行為。
它也指向一個更大的轉變：
蛋白質工程的焦點，正在從理解「自然界已有的蛋白質」，
轉向搜尋「所有可能的功能性行為空間」。
研究團隊同時也強調了一個概念：**功能退化（functional degeneracy）**。
也就是說，不同序列、甚至不同折疊拓樸，可能都能達到類似的運動目標。
如果這個概念成立，意涵非常深遠：
演化找到的可能只是所有可行解中的一小部分，而非唯一解。
AI 則有機會開啟一個遠大於自然演化所探索過的設計空間。
這樣的敘事，就已經超越「AI 只是加快現有流程」的範疇了。
圖 3：VibeGen 工作流程示意圖。「AI Designer」依照指定的振動模式提出蛋白質序列，「AI Predictor」評估其動態準確度，兩者形成針對動態行為的迭代設計迴圈。
## ASU：讓蛋白質動態變得「算得起」
如果說 MIT 代表的是「為動態而設計」，
那 ASU 的工作則是「讓動態映射變得算得起」。
ASU 的新方法（發表於《Science Advances》）宣稱可以從相對短的模擬中，
推回蛋白質慢速、大尺度的運動行為，
把原本可能需要數週或數月的計算量，壓縮到不到一天就能完成。
他們示範的標的包括 HIV‑1 protease 與 KRAS 等經典難題標靶。
為什麼這件事重要？
因為許多真的有藥物意義的構象狀態，在單一靜態結構裡根本看不到：
- 結合口袋可能只在特定動態路徑上短暫出現
- 柔性的 loop 區域可能在某些狀態下才會打開通道
- 功能性轉換（例如「on/off」）往往依賴跨構象的狀態切換
在實務上，許多藥物開發不是卡在「沒結構」，
而是卡在「對動態缺乏足夠了解」。
**能夠降低慢速構象探索成本的方法，雖然不是一鍵解決所有問題，
卻會改變我們能問什麼問題，以及能在多大規模上問這些問題。**
圖 4：HIV‑1 protease 的二聚體結構與 flap 區域開合運動示意。ASU 類型的方法試圖在不到一天的計算時間內，捕捉這類慢速、與藥物設計高度相關的構象轉換。
## 這不是取代 AlphaFold，而是「疊在 AlphaFold 上的下一層」
把 VibeGen 與 ASU 的工作看成是 AlphaFold 的「接班人」其實並不精確。
更合理的理解方式是：現在正在浮現一組「互補的層次」：
- AlphaFold：讓我們看到蛋白質「可能長什麼樣子」
- 動態映射方法：幫助我們理解蛋白質「如何在不同狀態之間移動」
- 以行為為條件的生成模型：試著設計蛋白質「實際會做什麼」
這不是互斥的三條路，而是越來越互相依賴的系統。
AlphaFold 仍然是基礎，因為靜態結構仍然非常重要。
但如果這個領域的重心，從「結構」移向「結構＋動態＋功能」，
那麼決定未來版圖的，就不會只是誰能預測出最乾淨的靜態折疊，
而是誰能真正把**結構連到運動，再把運動連到可干預的行為**。
在研究社群中，也可以看到類似方向的工作。
例如 ProTDyn 把蛋白質視為多構象「集合」（ensemble），
試著用 foundation model 的方式整合構象生成與多尺度動態建模。
這類模型的出現，某種程度上也在宣示：
「只做靜態結構」已經不再是野心的上限。
## 當設計變成「高維度搜尋問題」
從更抽象的角度來看，整個問題型態也在改變。
在只有靜態結構的世界裡，我們已經在做一個困難的優化問題。
一旦「動態行為」也進入目標函數，
搜尋空間會瞬間變得更大、更複雜：
- 不再只是「穩定折疊」
- 還要考慮構象之間的轉換、柔性、低頻模態
- 還可能需要考慮不同環境條件下，功能是否仍然穩定
這會讓蛋白質設計越來越像一個由**計算主導的搜尋問題**：
- 更多模擬與抽樣
- 更多「生成－評估－再生成」的閉環迭代
- 模型之間的整合變得更重要
- 對實驗驗證與資料回流的基礎設施需求更大
也就是說，瓶頸會逐漸從「單一模型的準確度」，
轉向「整套 compute＋模型＋驗證迴圈」的效率與整合度。
在產業分工上，這意味著平台型公司的優勢可能會越來越強，
因為真正難的是做出完整的閉環，而不是單點演算法。
## 為什麼這會改變的不只是科學，也包含產業結構？
多數對新蛋白質 AI 工具的評論，停留在「科研突破」或「藥物開發有希望」。
但如果我們真的從「結構」走向「行為」，
這對產業組織其實也會帶來幾個重要變化：
1. **算力變得更核心**
動態導向的設計與映射，本質上比單純結構預測更吃算力。
即便算法會變得更有效率，整個工作流程仍然會高度依賴模擬、抽樣、精煉與驗證。
這會把瓶頸從「單一模型」轉移到「算力＋模型＋驗證」的整體迴圈。
2. **平台優勢會放大**
真正有優勢的系統，很可能不是那個「指標最高的單一模型」，
而是能整合
- 基礎模型（foundation models）
- 生成式設計
- 物理模擬與加速動態取樣
- 系統化的實驗驗證
的閉環平台。
3. **藥物開發的目標，從「找到會黏的分子」變成「設計可控的行為」**
在結構導向的時代，目標常常是找到能跟標靶「黏住」的分子。
在動態導向的時代，目標可能會變成：
- 控制開與關
- 調整柔性與剛性
- 改寫變構通訊的路徑
對於那些真正棘手、關鍵生物學被藏在「運動」裡，而不是明顯靜態表面上的標靶，
這會是更雄心勃勃、也更有價值的設計目標。
## 我們其實正在改變的是「目標函數」
回到一開始，那個最重要的觀點。
這一波變化，真正關鍵的並不是「AI 又進步了」。
而是蛋白質 AI 在改變它想要解的那個問題。
過去幾年，主導性的問題大致是：
**我們能不能預測正確的折疊？**
現在問題越來越接近：
**我們能不能建模、描繪，甚至設計出讓蛋白質真正運作的那些行為？**
這種轉變，比任何單一基準測試分數的提升都要深刻。
它暗示下一階段的蛋白質 AI，將會比較少停留在「描述分子」，
而會更直接瞄準「控制分子行為」。
如果真往這個方向走，影響不會只停在蛋白質科學本身：
它會一路延伸到藥物開發、合成生物學、再生醫學、新型生物材料，
以及整個 AI 驅動生物產業的結構與分工方式。
圖 5：未來蛋白質 AI 的想像圖。一個由多個半透明構象疊加而成的巨大蛋白質構象集（ensemble），象徵模型能夠在整個動態景觀與多尺度時間尺度上進行建模與設計。
## 結語
AlphaFold 讓全世界看清楚了蛋白質長什麼樣子。
而這一波正在浮現的工作，則暗示下一代系統可能幫我們做到更野心勃勃的事情：
理解蛋白質如何「行動」，並且有一天，可以**刻意設計這些行為**。
真正值得關注的，不只是 AI 有多厲害，
而是它正在把問題從「結構預測」推向「行為設計」。
而那，很可能正是下一個前沿真正開始的地方。
## 作者簡介（Author Note）
Sinclair Huang 是一位學術研究者與策略顧問，長期工作在生物技術、AI 驅動藥物開發與廣義 AI 產業交會處。
他擁有 HEC Liège 的 EDBA 學位，過去曾在跨國高科技製藥公司與多個電子產業領域任職，熟悉從半導體到生技之間的技術與產業鏈連結。
現居台北，持續關注蛋白質 AI、基因治療、半導體‑生技收斂，以及 AI‑native 研發流程的未來。
## 參考與延伸閱讀（英文）
- MIT VibeGen：以振動與彎曲模式為目標的蛋白質動態設計系統。
- ASU「快速取樣蛋白質構象動態」：嘗試在不到一天內推回慢速、大尺度運動的動態建模方法。
- ProTDyn：以構象集合與多尺度動態為核心的蛋白質 foundation model。
- 關於蛋白質動態、normal mode analysis 與 cryptic pocket 的相關綜述與個案研究（如 HIV‑1 protease、KRAS 等）。
（註：以上為概略描述，詳細請參考各原始論文與新聞稿。）
## 免責聲明（Disclaimer）
本文內容僅供資訊與教育用途，並非醫療建議、法規意見或投資建議。
文中所提及的公司與研究機構，其技術與效能多數仍需持續的學術與實務驗證。
讀者若需據此做出醫療、研發或投資決策，應另行查閱原始文獻並諮詢專業人士。
## Hashtags
#ProteinAI #AlphaFold #VibeGen #ProteinDynamics #AIDrugDiscovery #Biotech #ComputationalBiology #MachineLearning #DrugDesign
