斯坦福華人領銜！全球首個生物版「C語言」問世，像聊天一樣設計分子，現已開源！

全球首個通用生成生物學編程語言來了！

今天，斯坦福大學聯合Arc 研究所正式推出Proto，整個生物界沸騰了。

簡單來說，Proto 是一款一站式「生物設計通用平臺」，直接統一了DNA、RNA、蛋白質、通路等生物分子的AI生成設計。

只需要像聊天一樣描述想要實現的生物功能，就能完成從單分子到完整細胞信號通路、腫瘤靶向基因載體的全流程設計。

實驗證明，Proto 設計出來的生物分子真實可用，在可變剪接內含子設計中達到32%的實驗成功率，遠超傳統方法<7%。

不僅如此，該平臺構建兼容120+個生物 AI 的標準化開源軟件生態，讓研究者無需再被零散工具束縛。

并且，實驗證明它設計出來的生物分子真實可用，大幅降低合成生物學的實驗成本和操作門檻。

現在，Proto免費開源了！

并且貼心的配備了網頁端、Python API、AI 智能體三類操作入口，即使不懂任何代碼，也可以設計出具備功能的分子。

github：https://github.com/evo-design/proto-language

網頁：https://proto.evodesign.org/docs/introduction

這項成果已發表在bioRxiv上，由此前領導生物學基礎大模型Evo2的Brian L. Hie教授擔任通訊作者。

一鍵設計生命的暢想，正在加速實現。

AI生物學，需要統一語言

關于生物分子設計，斯坦福和Arc的科學家們有一個核心洞察：

正如Verilog、C語言讓芯片和軟件大規模落地，生物設計也急需一套好用的高級語言，構建復雜生物系統。

然而，盡管經過數十年發展，生物設計仍然依賴直覺和經驗，缺乏系統化的設計方法。

當前，很多工具只能執行單一任務。

例如AlphaFold2用于蛋白質結構預測、Evo2用于設計DNA，但無法串聯復雜多階段生物系統設計。

例如，想做一個“腫瘤自殺基因”，科學家需要靶向蛋白+特異性啟動子+細胞選擇性內含子+microRNA抑制元件，傳統工具只能分開設計，沒法同步優化所有部件。

看似AI能夠節省時間，但實際上研發人員大半精力耗在環境適配、格式轉換上，真正的創新反而淪為次要工作。

因此，Proto真正解決了這一痛點。

首先，團隊統一所有生物 AI 模型的數學底層，即所有生物設計統一歸為能量基概率模型

EBM：π(x)∝p(x)exp(?f(x)/T)。

這套統一數學框架解決了過去各類 AI 模型評價標準不互通、無法聯合優化的致命問題，實現原生多目標聯合優化。

在芯片設計中，一個完整系統往往由多個模塊組成。而Proto也包含四大模塊：

序列：承載 DNA、RNA、蛋白等生物大分子實體的基礎原語

生成器：專門負責生成出各種新的序列

約束：負責為生成的序列打分

優化器：讓生成器不斷改進，差的扔掉，好的留下，再讓AI在此基礎上修改，反復迭代，直到找到最優設計。

圖：Proto將AI驅動的生物設計活動簡化為四個基元

不僅如此，Proto 還解決了困擾生物計算領域多年的核心工程學難題——成功兼容了120+ 款主流生物 AI 模型，包括AlphaFold2、RFdiffusion、AbLang、Evo 2等一系列頂尖工具。

以往，這些工具各有各的Python環境、CUDA版本、模型權重和輸入輸出格式——就像一堆形狀各異的拼圖，強行拼在一起必然沖突。

Proto的解法很巧妙，每個工具都運行在獨立的虛擬環境中，互不干擾。上層統一了數據交換格式，讓不同模型之間可以無縫傳遞序列、結構和打分結果。

更重要的是，Proto做到全人群覆蓋，發布之時就做到了高度產品化，面對不同人群給到了三種獲取方式。

Python API：用于深耕算法的計算生物團隊，本地或云端搭建高通量自動化管線

網頁端：針對不熟悉編程的實驗人員，直接提交并運行設計分子，并且查看優化軌跡

AI智能體：可以通過對話向內置 AI 智能體下達需求，完成元件設計

最終，研究人員的研發重心終于可以從「調試工具」轉向「生物功能創新與實驗驗證」。

實驗驗證，效果碾壓傳統方案

進一步地，研究人員通過多個實驗來驗證Proto的效果。

結果發現，它不僅能夠設計出復雜的生物分子，還具備通用大模型的「涌現」能力！

細胞特異性RNA剪接內含子設計

想要精準控制不同細胞里的蛋白產出，只靠轉錄調控手段遠遠不夠，RNA 可變剪接是絕佳調控抓手，但人工設計細胞差異化內含子門檻極高，過往傳統方案篩選上千條序列，有效樣本占比還不足 7%。

然而，Proto篩選出來65條就有32%達標。其中一個名為 PI-KS1 的設計，在 SH-SY5Y 神經細胞中只有 36% 被剪接，而在 K562 白血病細胞中卻有 71% 。

更驚喜的是，模型還出現了涌現機制，科學家沒要求額外剪切位點， Proto 在優化過程中自主演化出未提前設定的隱蔽剪接位點。

精準協同設計啟動子-阻遏蛋白對

天然現成的阻遏- 動子配對數量少，容易交叉干擾，只能簡單開關基因，很難多通路并行使用。

想要定制全新調控開關，需要同時完成 DNA啟動子、阻遏蛋白的跨模態協同設計，既要保證蛋白精準識別對應 DNA 序列，還要兼顧蛋白間協同作用。

借助 Proto 協同設計DNA 與蛋白，團隊開發全新σ70啟動子 ProtoPromoter：86 個候選中 71 個活性優于經典 PLtetO1；配套定制阻遏蛋白 ProtoRepressor，有效抑制成功率達 46%，各組配對正交性優異，適合復雜合成線路搭建。

圖：使用Proto構建合成啟動子-阻遏劑對的設計流程

肺癌靶向自殺基因治療系統

想要做出只殺癌細胞、不傷正常肺組織的基因藥，必須要多層調控元件協同設計。

細胞靶向、轉錄開關、RNA 剪接、轉錄后抑制全鏈路協同設計，多模塊同步優化的工作量大到很難手動完成。

而靠Proto一站式多階段設計，研究團隊直接搭出一套針對非小細胞肺癌的 HSV-TK 自殺基因治療系統。

最終，生成只有肺癌細胞能完整產出殺傷用的HSV-TK 蛋白；數據顯示健康組織里致病 mRNA 的抑制幅度高達 7.1 倍，大幅降低治療帶來的脫靶副作用，給精準基因療法提供完整可設計的全新方案。

研究人員還驗證了，只用對話向 AI智能體描述需求能不能生成有效的分子。

結果顯示一樣有效。

例如針對蛋白質組規模的復合體多樣化的問題，Proto設計了249個人類蛋白質復合體，涵蓋797個基因，所有設計的結構預測都與天然結構高度一致。

這也意味著，Proto徹底抹平生物編程門檻，不懂代碼的實驗人員也能使用AI工具。

華人科學家領銜

隨著論文和代碼的開源，背后的團隊也釋出，包含一位通訊作者，和三位共同一作。

從左至右：Brian Hie、Aditi Merchant、Daniel Guo和Ben Viggiano

項目通訊作者Brian L. Hie，目前是斯坦福大學化學工程系助理教授，Arc研究所常駐創新研究員。

他現在正在斯坦福領導「進化實驗室」（Laboratory of Evolutionary Design），此前震驚業界的生物學基礎模型Evo2也是出自該實驗室。

一作Aditi T. Merchant斯坦福生物工程博士生，他主要負責ProtoIntron（內含子）的設計、采樣和實驗測試。

華人Daniel Guo也參與進來，并且是唯一的碩士研究生，就讀于斯坦福計算機科學專業，負責該項目的軟件基礎設施的初始開發，以及復現已有設計任務等。

另一位Ben Viggiano目前是斯坦福生物醫學數據科學博士生，負責工具基礎設施，NSCLC回路設計任務。

事實上，Proto產生源于他們對日常工作的痛點和崩潰時刻。

他們雖然能夠熟練運用各種模型，但在實際應用中，每開始一個新項目，前幾周都在處理代碼環境等各種問題。

他們不想整天修bug，而是想用自然語言定義生物學目標，讓AI去處理底層的復雜序列，最終讓做實驗的科學家只需要測試幾十個最好的設計，而不是在幾千個失敗品里大海撈針。

更重要的是，他們對Proto表現出的「涌現機制」，非常驚喜。

這意味著，生物學模型也具備涌現能力，且AI有望發現自然界潛在的新規則。這對于合成生物學和基礎醫學研究來說，是一種全新的知識獲取范式。

團隊特意強調，Proto不是要取代實驗。

它不能保證AI生成的序列100%有效，它的價值是提供高質量的起點，減少盲目篩選。

并且，Proto受限于現有AI模型的質量，如果針對某個生物學問題沒有好的預測模型，Proto也無能為力。

但好消息是，隨著AI模型變強，Proto會自動跟著變強。

未來，團隊希望它變成一個生物AI領域的“標準庫”，任何實驗室在研發出新的AI模型后，都能像上傳App一樣，直接無縫地貢獻到Proto的工具倉庫中。

以后只要新模型一發布，研究人員第一反應就是去Proto看看有沒有人整合進去了。

生物學設計進入“概念編程”時代

可以說，Proto 嘗試解決「生物領域語義統一」的問題：即把復雜生命需求抽象成通用編程原語。

Proto代表生成生物學的革命性轉變——模塊化不再發生在序列層面，而是發生在概念層面。

生物學家不需要關注序列A和序列B如何連接，而是能夠通過自然語言定義全新功能的分子。

只要科學家只需要提需求：比如只在有A和B條件下表達C，Proto就有望把它變成一條自然界從未存在過、卻能精準工作的全新序列。

這也是為什么，這項工作被稱為生物學「編程語言的進化」。

放在整個合成生物和制藥賽道看，Proto帶來的是范式級顛覆。

過去十幾年，合成生物始終依賴于拆解自然界現成元件拼接，設計上限被天然基因、蛋白庫牢牢限制。

當生物設計不再受制于零散的AI工具，僅憑自然語言就能按需創造全新蛋白、調控元件、成套基因治療系統，合成生物學、AI 制藥的研發邏輯將徹底改寫。

未來決定生命創新上限的，不再是復雜的計算工具，而是人類對生命功能的想象力。

—The End—