David Baker团队Science发文，RFdiffusion3把蛋白质设计推到精确原子级

长期以来，科学家尝试从头设计具有催化活性的蛋白质。早在2004年，研究者就基于第一性原理设计出含双铁辅因子的酚氧化酶原型，其催化效率对活性位点微扰高度敏感 ^[4]。此后，Rosetta酶设计协议将流程系统化为四步：选择催化机制与最小活性位点模型、在骨架蛋白中寻找合适位点、优化周围残基、评估排序 ^[3]。深度学习兴起后，扩散模型被引入蛋白质骨架生成 ^[6]，并发展出以RoseTTAFold结构预测网络为基础的RFdiffusion，能实现包括酶活性位点支架在内的多种设计任务 ^[1]。基于"家族级幻觉"思路的深度学习方法也曾从头设计出对特定荧光素底物具有高选择性的萤光素酶 ^[2]。RFdiffusion2则把活性位点支架推进到原子级，可直接从功能基团几何生成骨架，无需指定残基顺序或进行反向旋转异构体生成，在41个活性位点基准上全部生成成功，而此前方法仅能完成16个 ^[5]。

诺奖得主David Baker团队在《Science》再发新研究，利用生成式AI模型RFdiffusion3（RFD3）进一步处理复杂生物分子功能位点的设计，并在实验中取得两项成果：能水解有毒有机磷化合物的人工酶，以及能选择性切割特定肽段的蛋白酶。该工作指向的难点在于：从头创造真正具有催化活性的酶远难于设计其三维结构，因为多个关键原子必须在空间中精确配合才能完成预期的化学反应。

RFD3据同行评审来源描述，把生成对象置于配体、核酸等非蛋白分子的存在下进行设计 ^[7]；业内也把它与RFdiffusion2、Riff-Diff等方法并列为各自面向不同结构问题的酶设计工具 ^[8]，并自2025年12月起已对研究者开放 ^[9]。相比RFdiffusion2已在41个位点上实现原子级支架生成 ^[5]，该工作显示RFD3把这类生成能力推进到更复杂的生物分子功能位点场景，并在有机磷水解与肽段切割这两类反应上获得实验验证。

不过，消息材料未披露所设计酶的催化效率数值、底物适用范围及稳定性等具体参数，RFD3相对RFdiffusion2在不同反应类型上的优劣也仍需更多实验比较。