FEBS letters 2026年9月18日这篇综述梳理了深度学习驱动的蛋白质设计流程，讨论了肽、小分子、结合体、疫苗与抗体等方向的定制化应用，指出当前用于筛选与评估设计的置信度指标仍针对静态蛋白界面优化、在代表性不足或构象复杂的目标上可能失效，并主张整合基于集合（ensemble）的方法有望提升设计成功率，同时强调折叠切换支架与通过工程化环肽实现的分子胶等策略可扩展设计蛋白的功能范围。这篇综述梳理了深度学习驱动的蛋白质设计流程，讨论了肽、小分子、结合体、疫苗与抗体等方向的定制化应用，指出当前用于筛选与评估设计的置信度指标仍针对静态蛋白界面优化、在代表性不足或构象复杂的目标上可能失效，并主张整合基于集合（ensemble）的方法有望提升设计成功率，同时强调折叠切换支架与通过工程化环肽实现的分子胶等策略可扩展设计蛋白的功能范围。勘探蛋白质设计版图：从高亲和力结合体到功能可切换蛋白这篇综述梳理了深度学习驱动的蛋白质设计流程，讨论了肽、小分子、结合体、疫苗与抗体等方向的定制化应用，指出当前用于筛选与评估设计的置信度指标仍针对静态蛋白界面优化、在代表性不足或构象复杂的目标上可能失效，并主张整合基于集合（ensemble）的方法有望提升设计成功率，同时强调折叠切换支架与通过工程化环肽实现的分子胶等策略可扩展设计蛋白的功能范围。这篇综述梳理了深度学习驱动的蛋白质设计流程，讨论了肽、小分子、结合体、疫苗与抗体等方向的定制化应用，指出当前用于筛选与评估设计的置信度指标仍针对静态蛋白界面优化、在代表性不足或构象复杂的目标上可能失效，并主张整合基于集合（ensemble）的方法有望提升设计成功率，同时强调折叠切换支架与通过工程化环肽实现的分子胶等策略可扩展设计蛋白的功能范围。