#paper Hamed Khakzad, Ilia Igashov, Arne Schneuing, et al. A new age in protein design empowered by deep learning. Cell Systems 14, 925–939 (2023). https://doi.org/10.1016/j.cels.2023.10.006. 蛋白质作为细胞的主要组成，参与了包括酶促反应、信号转导等在内的各种生命反应，其意义毋庸置疑。但是如何通过人工的方式设计特定的蛋白质，从而解决疾病治疗、药物研发等一系列生命科学问题，一直是科学家的追求。人工智能的发展，特别是深度学习的发展，给这个主题带来了特别巨大的进展。这篇最新的综述就是对使用深度学习进行蛋白质设计的几类范式和sota方法进行了介绍。从方法角度看，介绍的非常全面。有意思的是，我们会发现目前生成式模型在AI的冲击已经迁移到蛋白质设计领域，并孵化出独有的味道。图神经网络、物理启发的模型、语言模型的模仿、深度生成模型的利用在蛋白质设计领域都展现出不错的性能，特别是当把几何先验通过数学的手段，比如群轮与深度学习进行结合，往往可以较好的捕获蛋白质精巧晦涩的结构信息。当然，考虑到蛋白质设计所涉及的序列、结构、功能三者的精密联系，如何协调序列建模、结构建模等方法，也成为未来发展的关键问题。文章中对数据、benchmark等方面的讨论也很有价值。当然，问题也是一大堆，最令人不爽的是，拥有生命科学基本属性的蛋白质设计，最终的效果需要实验甚至实际效果进行验证，因此计算方法论上再优秀的设计，也需要湿实验、临床实验的验证。希望随着技术的进步，这个领域的自动化agent技术会带来全新的范式。