蛋白质是人体必不可少的基石、运输系统、酶和抗体。因此，科学家们正试图复制它们，或者制造自然界中不存在的所谓“新生蛋白”。例如，这些合成蛋白是用来运送药物或附着在特定病毒上的。

　　科学家们越来越多地使用机器学习来创造它们。诺贝尔化学奖最近颁发，以表彰这一学科的进步。今年的获奖者是软件开发者Demis Hassabis和John Jumper，他们创造了Alphafold2，以及David Baker，他们开创了从头开始的蛋白质创造。多亏了这个软件，蛋白质结构可以在计算机上精确地预测。

　　现在，由麻省理工学院生物学教授Sergey Ovchinnikov和慕尼黑工业大学（TUM）生物分子纳米技术教授Hendrik Dietz领导的一个国际团队创造了一种技术，该技术将Alphafold2的精确结构预测与所谓的有效蛋白质设计的梯度下降方法相结合。这项研究发表在《科学》杂志上。

　　一种流行的模型优化技术是梯度下降。它可以有条不紊地应用于检测偏离预期目标函数和修改参数，直到获得最佳结果。

　　利用AlphaFold2预测的新蛋白结构可以与使用梯度下降法进行蛋白设计时预期的蛋白结构进行比较。这使研究人员能够进一步完善结构和新创建的氨基酸链。后者依赖于较小的能量相互作用，并在决定蛋白质的稳定性和功能方面起主要作用。

　　由于这项新技术，现在可以更好地设计和定制大型新蛋白质，使其具有某些功能，例如准确地与其他蛋白质结合。他们的设计方法在几个方面不同于早期的方法。

　　不可能立即将这种虚拟叠加转化为可以生产的蛋白质。然而，它使迭代蛋白质优化成为可能。

　　利用这种优化的结构，可以确定在实验室中组装形成蛋白质的氨基酸序列。

　　实际的结构是否与预期的体系结构和预期的功能相匹配？这是对所有新形成的蛋白质的终极测试。科学家们利用这项新技术虚拟设计了100多种蛋白质，在实验室中合成，并进行实验测试。

　　弗兰克说：“我们能够证明，我们设计的结构与实际生产的结构非常接近。”

　　利用这项新技术，他们能够制造出含有多达1000个氨基酸的蛋白质。