潜空间生成式搜索实现大规模未开发生物分子相互作用的从头设计

提出潜空间生成式搜索框架，在推理阶段用奖励引导搜索来操控 Proteina-Complexa 生成模型，并在连续潜空间中同时协同设计序列与结构。 相较依赖逆向折叠步骤的现有方法，该框架将序列与结构生成合并到同一潜空间过程中，去掉了逆向折叠这一环节。 文中以框架描述与后续大规模筛选结果作为支撑，属于方法层面的核心创新。

在超过一百万个设计的多重噬菌体展示筛选中，该方法产生的经实验验证结合蛋白数量多于所测试的其他所有方法，且其协同设计序列优于事后重设计。 这是在同一筛选体系下与多种方法直接比较得到的验证结果，而非仅计算预测。 证据来自超过一百万设计的多重噬菌体展示实验筛选，规模较大且为实验验证。

在治疗性受体、一种病毒附着蛋白以及胞内信号靶点上获得高亲和力结合蛋白。 说明该方法不局限于单一靶点类别，而能覆盖多种靶点类型。 文中以高亲和力结合蛋白的获得作为结果陈述，属于实验验证层面的证据。

首次生成能结合游离碳水化合物的从头蛋白，其中一例可区分血型抗原。 针对极性、溶剂暴露表位和小而柔性的配体（包括碳水化合物）这类此前难以获得从头结合蛋白的靶标类别，打开了新的可设计空间。 以“首次”表述的突破性结果，并给出可区分血型抗原的具体实例，属于实验验证层面的证据。

该结果面向需要针对极性、溶剂暴露表位和小而柔性配体（包括碳水化合物）设计结合蛋白的研究与开发场景，适用于治疗性受体、病毒附着蛋白、胞内信号靶点以及游离碳水化合物等靶标类别；其价值在于为这些此前难以获得从头结合蛋白的靶标提供可设计路径，并为后续在更多靶标类别上的验证与开发奠定基础。

读者仍可关注：奖励引导搜索在不同靶标类别上的表现差异、协同设计序列优势的适用范围，以及游离碳水化合物结合蛋白在更广泛糖类靶标上的可推广性；此外，当前文本为摘要性内容，缺少图表与补充材料，若需评估具体设计成功率与亲和力数值，仍需查阅原文完整数据。