Pinal 模型用自然语言设计功能蛋白，四类设计任务实验观察到预期功能
Programmable design of functional proteins from natural language.
Nature 论文提出 Pinal，一款 16-billion-parameter 基础模型，可依据自然语言功能描述生成候选蛋白序列。模型以 1.7 billion 条合成注释的蛋白-文本配对数据训练，计算评估显示生成候选兼具较高预测可折叠性、功能描述对齐性与序列多样性。
发生了什么
2026年10月21日，Nature在线发表论文“Programmable design of functional proteins from natural language”（doi:10.1038/s41586-026-11205-z），作者为Fengyuan Dai、Shiyang You、Yudian Zhu、Yuan Gao、Lihao Fu等[1]。论文推出Pinal，一个160亿参数的人工智能模型，能根据自然语言描述直接设计功能蛋白。生成的蛋白经实验验证具有活性，并且在无需迭代优化的情况下提高了CO2固定产物的产量。该工作此前于2026年9月8日在bioRxiv挂出预印本[2]。
为什么重要
这篇论文回答的问题是：能不能跳过结构解析和定向进化这类多轮湿实验循环，把功能描述直接当作可编程输入、一步拿到有活性的蛋白。Pinal在CO2固定产物上不经过迭代优化就拿到了产量提升，说明自然语言到蛋白功能的映射至少在一类设计任务上被跑通了，这对酶工程、合成生物学和生物制造的研发团队意味着设计-构建-测试循环有望被大幅压缩。160亿参数规模加上实验验证的组合，也是判断这类生成式蛋白设计是否从概念走向可用的关键证据。据报道，论文中Pinal被应用于四类不同的设计任务[3]，任务覆盖面是评估其通用性的直接线索。
还缺什么
材料没有披露具体数字：设计了哪些蛋白、活性水平多高、CO2固定产量提升幅度、每轮设计的成功率，都需要读原文确认。模型能否迁移到论文任务范围之外的蛋白类型（如抗体、结合蛋白）、验证的湿实验规模有多大，材料未披露。据报道团队在GitHub上公开了Denovo-Pinal代码仓库[4]，代码和权重的实际开放程度以及对工业场景的可复用性，是后续落地的关键看点。
- 1.Programmable design of functional proteins from natural ... · nature.com 2026
- 2.Programmable design of functional proteins from natural ... · biorxiv.org 2026
- 3.“We applied Pinal to four distinct design tasks—a ... - Ecdysis · ecdysis.me 2026
- 4.westlake-repl/Denovo-Pinal: Programmable Design of ... · github.com 2026
用自然语言直接指定蛋白功能，并以四类任务实验验证生成结果，为评估该设计范式能否迁移到新功能提供了参照。
来源：顶刊论文（社媒热度） · doi.org