扩散模型能造蛋白质，GAN 能造分子——生成式 AI 正在接管生物设计

在前面三个批次中，我们分别讨论了 Transformer、CNN 和 RNN/LSTM 在生物信息学中的应用。这些架构的共同特点是：它们主要是用来”分析”数据的——从已有数据中提取模式、做出预测、进行分类。

从今天开始，我们进入一个不太一样的领域：生成式模型。 这类模型不只是分析已有的蛋白质或分子，而是要创造出自然界中不存在的全新分子。

这是一个本质性的范式转变。分析式模型回答”这个东西是什么”，生成式模型回答”我们能不能造出一个新的东西”。

从分析到生成：为什么要造新的分子

在药物设计和蛋白质工程中，研究者面临的核心问题不是”理解已有分子的性质”，而是”找到具有特定功能的新分子”。

传统的做法是定向进化（directed evolution）——随机突变、筛选、迭代。这个方法拿过 2018 年的诺贝尔化学奖（Frances Arnold），但它的搜索空间极其有限：一个 100 个氨基酸的蛋白质有 20^100 种可能的序列，随机搜索几乎不可能覆盖。

生成式模型提供了一种不同的策略： 先从已知分子的数据中学习”什么样的分子是合理的”，然后在学习到的分布中采样，直接生成候选分子。这相当于把搜索空间从”大海捞针”缩小到”在一个经过筛选的池子里挑”。

两大路线：GAN 和扩散模型

当前生成式生物分子设计的两大主流路线是 GAN（生成对抗网络）和扩散模型（diffusion model）。它们的思路不同，各有适用场景。

GAN 的思路是”对抗训练”。 它有两个网络：一个生成器负责造假分子，一个判别器负责区分真假。两者在对抗中不断进步，最终生成器能造出以假乱真的分子。在生物领域，GAN 早期被用于小分子药物生成——给定目标蛋白质的结合口袋，生成能与之匹配的候选药物分子。

扩散模型的思路是”逐步去噪”。 先给一个随机噪声，然后一步步去除噪声，最终得到一个清晰的分子结构。这个过程类似于雕塑——从一块粗糙的石料中逐步雕出精细的形状。扩散模型在蛋白质骨架生成、蛋白质序列设计等任务上展示出了比 GAN 更稳定、更多样化的生成能力。

Flow Matching 是扩散模型的一个变体，它通过学习一个连续的”流动场”来将噪声分布映射到数据分布。相比标准扩散模型，Flow Matching 的训练更稳定，生成速度更快。近期它在蛋白质设计领域引起了越来越多的关注。

最近一周发生了什么

2026 年 4 月上旬，有三项工作代表了这个方向的最新进展：

CAGenMol（Li 等，2026 年 4 月 13 日，arXiv） 提出了一种条件感知的扩散语言模型，用于目标导向的分子生成。它能同时处理多种异构约束——比如蛋白质-配体兼容性、多目标药物性质优化——而不需要逐个优化。这个方法试图解决一个实际难题：真实药物设计中，你需要的不只是”能和靶点结合”的分子，还需要”安全性好、代谢稳定、可合成”的分子，而这些目标之间往往存在冲突。

General Multimodal Protein Design（Rector-Brooks 等，2026 年 4 月 6 日，arXiv） 来自 Yoshua Bengio 的研究组，提出了一种多模态生成模型，使得化学反应可以被 DNA 编码。这项工作的核心想法是：利用自然进化产生的蛋白质多样性作为训练数据，再用生成模型扩展到进化尚未探索的化学空间。

EvoFlows（Deutschmann 等，2026 年 4 月 8 日，arXiv） 提出了一种基于 Flow Matching 的蛋白质工程编辑模型。与从零生成不同，EvoFlows 专注于”在已有蛋白质的基础上做有意义的修改”——这更接近实际蛋白质工程的工作方式：你不是从一张白纸开始，而是在已有功能的蛋白质上做改进。

它们做到了什么，还没做到什么

这些生成式模型已经能做到的事情包括：

在给定靶点的情况下，生成具有合理结合构象的候选分子
在蛋白质骨架层面生成结构多样的全新骨架
在特定约束条件下（如稳定性、溶解度）进行有方向的分子优化

但它们的局限同样需要认真对待：

第一，”能生成”不等于”能用”。 模型生成的分子在计算上可能看起来合理，但在真实生物体系中的表现——活性、毒性、药代动力学——仍然需要湿实验验证。生成式模型的价值在于缩小搜索空间，而不是替代实验。

第二，训练数据的偏差会传递到生成结果。 目前的模型大多在已知蛋白质或已知药物分子的数据上训练。对于训练数据覆盖不足的化学空间（比如全新骨架、非天然氨基酸），生成质量可能下降。

第三，多目标优化仍然困难。 真实药物设计需要同时优化多个互相冲突的目标。虽然 CAGenMol 等方法在尝试解决这个问题，但距离实用的多目标药物优化还有距离。

第四，可解释性不足。 生成式模型通常是一个黑箱——它给你一个分子，但不容易解释”为什么这个分子是好的”。这在需要向药物监管机构解释设计逻辑的场景中是一个问题。

和前面三个批次的关系

如果我们回顾整个系列的逻辑，可以看到一条清晰的线索：

Transformer 擅长全局模式识别——用在蛋白质语言模型、DNA 语言模型上，从大规模序列数据中提取通用的生物学表示。

CNN 擅长局部特征提取——用在转录因子结合位点预测、蛋白质二级结构识别上，捕捉 DNA motif 和蛋白质局部模式。

RNN 擅长顺序依赖建模——用在细胞轨迹推断、基因表达时间序列预测上，处理具有时间维度的生物数据。

GAN/扩散模型则进入了一个新维度：生成。 它们不再只是理解和预测已有数据，而是创造新的数据。这在药物设计、蛋白质工程、合成生物学中有直接的应用价值。

但生成和分析不是对立的。在实际的分子设计流程中，生成式模型负责”提出候选”，分析式模型负责”评估候选”，湿实验负责”验证候选”。这是一个协作链条，不是替代关系。

对不同读者意味着什么

如果你在做蛋白质工程或药物设计： 生成式模型正在成为这个领域的标准工具之一。但选择哪种方法（GAN、扩散模型、Flow Matching、自回归模型）取决于你的具体需求——是从头生成还是在已有分子上修改？是单目标还是多目标？数据量够不够支撑训练？了解每种方法的适用边界，比追逐最新方法更重要。

如果你在跟踪 AI 技术趋势： 生成式模型在生物领域的应用可能是当前 AI 最有实际落地潜力的方向之一。它不像大语言模型那样有”通用智能”的叙事，但它在解决具体的、有经济价值的问题——设计更好的药物、更高效的酶、更稳定的蛋白质。

如果你是这个系列的读者： 从 Transformer 到 CNN 到 RNN 再到生成式模型，这个系列讨论的不是”哪种架构最好”，而是”不同的生物问题需要不同的计算工具”。下一篇文章将深入讨论生成式模型在蛋白质设计中的具体代表工作。

参考文献

Li, Y. et al. (2026). CAGenMol: Condition-Aware Diffusion Language Model for Goal-Directed Molecular Generation. arXiv preprint.
Rector-Brooks, J. et al. (2026). General Multimodal Protein Design Enables DNA-Encoding of Chemistry. arXiv preprint.
Deutschmann, N. et al. (2026). EvoFlows: Evolutionary Edit-Based Flow-Matching for Protein Engineering. arXiv preprint.
Wanasekara, S.H. et al. (2026). Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards. arXiv preprint.