苹果蛋白设计模型，先看情况再上手

这篇苹果 SimpleDesign 预印本值不值得读，要看用途。做生成模型、计算生物，或者想理解序列与结构联合生成，可以认真读，也可以照着搭最小复现。指望它像聊天软件一样输入一段需求就得到能拿去实验的蛋白，现在还不合适。

从原理上讲，这个概念需要先理解。蛋白质不是单看字母串的东西。氨基酸序列像一串有化学性质的积木，折叠成三维结构后才大概率有功能。传统 AI 做蛋白设计常常分成几步，先根据序列预测结构，或者先生成候选序列，再回头检查结构是否稳定，中间会有表示转换和误差累积。苹果这个模型想省掉这些台阶，直接在原始数据上训练，联合生成氨基酸序列和三维骨架。它把多模态生成思路搬到了蛋白领域。

我这边是上周开始带两个研究生一起看论文。我是计算机视觉方向，对生成模型、多模态对齐、结构可视化还算熟。我们把论文当方法说明书，先搭了个很小的本地 notebook 流程。输入端保持简单，只喂几条实验室以前存下来的短序列，格式是 FASTA，可以简单理解成纯文本序列文件。我们让模型生成对应序列和结构文件，结构用 PDB 格式存，再用本地可视化工具打开，看骨架有没有明显折叠。

第一次卡住不在模型本身，在数据。论文说直接在原始数据上训练，落到工程上很麻烦。原始序列要补齐残基编号、过滤异常长度、处理缺失坐标，还要决定生成到第几层骨架算合理。我们用 Cursor 改了两轮预处理脚本，这工具我用了4周，改 Python 确实快，但生物数据里那些边界条件它不会替你判断。大概一个下午，三条短序列里有一条生成成功，另两条出现残基编号错位或结构文件打开后片段断开。

生成结果的一致性让我觉得有点意思。成功那条序列里，氨基酸片段和三维骨架并不是各说各话，至少目测局部螺旋、片层没有明显冲突。对我这种做视觉的人来说，它很像图像和语义分割联合生成，两个模态在同一个采样过程里互相约束。上海交大陆钰明课题组的蛋白设计综述也提过序列与结构协同优化，我这边看下来，SimpleDesign 至少把这条思路做得更直观。

但惊喜很快被评估问题压住。预印本离产品说明书还有距离。至少在我手上的资料里，工程细节还不全，训练数据怎么过滤、评测集怎么划分、生成失败怎么统计、结构合理性用什么指标，都没给到能一键验证的程度。我的习惯是，对模型官方评测保持一点距离。我让学生建了个最小评测表，在飞书里记输入序列、随机种子、输出版本、结构截图、失败原因。这个动作不高级，但能把我觉得像变成后来可追溯。

优点当然有。端到端联合生成，如果真能稳定，可能减少多阶段拼接带来的误差。原始数据训练也更适合以后扩展到更大蛋白空间。缺点也很实在。目前更像论文方法，离成熟工具还有距离；数据清洗、结构评估、湿实验验证都需要跨学科能力；小白进去会撞在格式和指标上。它不适合药物设计新手直接拿来提候选，也不适合把预印本结论当成已经解决蛋白设计。

它的价值更像在方法论上把多阶段拼接往前推了一步，离替代湿实验还远。

下一步我准备继续做两件事。把输入样本扩到十到二十条短序列，看看稳定性；找一份公开蛋白结构数据，只做结构合理性检查，不碰训练。苹果这次进入 AI for Science，方向很醒目，但作为用户，我更关心它会不会把评测材料放出来。

如果苹果后续公布更完整的评测集和失败案例，我会先拿自己的最小评测表对一遍，再看官方跑分。