化学、生物与自动化实验室
颠覆级
暂无讲解视频
收录解读
蛋白工程的核心瓶颈一直是实验搜索空间过大：单点突变还能穷举，多位点组合一旦展开，湿实验成本和迭代速度都会迅速失控。这篇论文正面解决的是“如何把实验蛋白工程变成可持续、可加速的主动探索过程”，而不是只再做一个更准的序列打分器。
论文把 fitness landscape modelling 和 reinforcement learning 结合起来，形成面向实验迭代的闭环：模型不只预测当前序列的优劣，还主动决定下一轮该探索哪里，从而在有限实验预算下更快找到高性能变体。这个 framing 的关键在于，它把 protein engineering 从静态筛选问题改写成 sequential decision-making 问题。
这篇论文值得高于普通 breakthrough，因为它给出了蛋白工程中很强的可复用模式：代理模型、实验回传、策略更新和多轮探索统一在一个可迭代回路里。对 protein engineering、enzyme optimization、directed evolution 甚至更广的实验设计型 AI for science 都有明显外溢。
它还没有升到 paradigm，原因是适用性和通用性仍需在更多蛋白家族、更多性质目标和更复杂实验条件下进一步证明。但作为把 RL 明确推进到实验蛋白工程闭环里的代表工作，它已经足够 disruptive。