RFdiffusion3 的完整设计方案已经对外公布：这套生成式 AI 系统能按单个原子的位置设计蛋白质和核酸，华盛顿大学、牛津大学、英伟达等机构组成的国际团队把论文发表在 2026 年 10 月 16 日的《科学》杂志上，10 月 19 日披露的细节显示，它按图施工做出的两种酶已经在真实化学反应里完成了预期功能。对蛋白质设计来说，这一步的意义不在又多了一个生成模型，而在于设计精度第一次落到了决定功能成败的原子层面。
从预测结构，到逐个原子排布
通讯作者戴维·贝克（David Baker）是华盛顿大学蛋白质设计研究所的负责人，2024 年因蛋白质结构预测方面的工作获得诺贝尔化学奖。他团队早年的 RosettaFold 学的是氨基酸之间的空间关系，用来预测已有蛋白质长什么样；2023 年的 RFdiffusion 和 2025 年的 RFdiffusion2 开始反过来设计新蛋白质，但处理的对象仍以氨基酸残基为单位，真正决定结合与催化成败的单个原子只能间接推断。
RFdiffusion3 换了做法。它参考 AlphaFold3 的网络架构，每个氨基酸最多用 14 个原子来表征，扩散过程直接调整每个原子的三维坐标，与前两代不共享代码。研究者可以把条件写得很具体：哪些原子必须出现在哪个位置、氢键要怎样形成、特定原子在蛋白质内部的分布范围是多少，模型再生成同时满足全部约束的结构。这种“先定化学细节、再长出整个分子”的路线，正是它与残基级工具拉开差距的地方。
41 个活性位点赢下 37 个，实验里也做成了
判断设计工具好不好，最终要看两件事：算得准不准，做出来的东西管不管用。团队拿现有酶的 41 个活性位点做对照设计，RFdiffusion3 在其中 37 组上超过 RFdiffusion2，生成速度约为上一代的十倍。更关键的是实验验证：用它设计的对氧磷降解酶和肽裂解酶，都在实验室里顺利催化了预期的化学反应，而不是只停留在计算机评分上。
这组结果也划清了边界。目前被验证的是酶活性位点这类目标明确、约束可精确描述的任务；一个设计能催化反应，离变成药物或疗法还隔着表达、稳定性、安全性和规模化生产一长串关卡。把 RFdiffusion3 说成“能设计任何蛋白质”并不符合论文给出的证据，它更准确的定位是：在约束写得越精确的任务上，优势越明显。
开源的是整套方法，不只是一个模型文件
RFdiffusion3 早在 2025 年 12 月 3 日就已开源，代码和训练代码经 Rosetta Commons 的 Foundry 在 GitHub 上提供，这次《科学》论文补上的是完整设计原理与实验验证。团队在论文中列出的后续方向包括降解微塑料的酶、用于基因治疗的合成转录因子和环境监测用的生物传感器，这类应用的共同点是都需要与 DNA、小分子发生精确到原子的相互作用，正好落在新模型的强项区间。
同类工作里，DeepMind 给 AI 设计蛋白质加生物水印讨论的是设计成果如何被标记和追溯，与本文这条“把设计精度推到原子级”的路线正好构成一前一后的关系：生成能力每往前走一步，验证和治理就更不能缺位。对普通实验室来说，RFdiffusion3 现在就能下载试用，真正的考验是接下来几个月里，独立团队能否用它复现出论文级别的设计成功率。
