蛋白结合体设计（Protein Binder Design）指的是：给定靶点蛋白（target）表面的某个位置，用计算方法从零生成一段氨基酸序列（通常是几十到一百多个残基的小蛋白），让它能牢牢地、专一地贴上去。产物叫结合体（binder），本质是一把为特定锁孔现造的钥匙。
和结构预测正好反过来
结构预测（如 AlphaFold 一类模型）做的是正向题：给一段已知序列，算出它折叠成什么三维形状。结合体设计做的是反向题：先有一个三维目标——“我要在这个凹槽上挂个东西”——再倒推出能满足要求的序列。前者是拍照，后者是设计零件。
打个比方：结构预测像拿到一把现成的钥匙，画出它的三维图纸；结合体设计像只看到锁孔的照片，就要造出一把能插进去、卡得住、还不误开别人家门的钥匙。搜索空间极大：一条 80 个残基的序列有天文数字种组合，其中绝大多数既折不成稳定结构，也贴不住靶点。
一条链路：生成 → 打分 → 湿实验前筛选
实际工作很少一步到位，通常是这样一条流水线：
1. 定表位：先选靶点上想结合的界面（epitope），比如某个酶的活性口袋边缘，或病毒蛋白上不易突变的区域。
2. 生成候选：用生成模型（扩散模型、序列语言模型、片段拼接等思路）批量产出成百上千个候选骨架与序列，只要求“看起来能贴上”。
3. 结构预测打分：把每个候选序列丢回折叠模型，看它是否真按设想的方式折叠、界面是否咬合。常用信号包括单链置信度（pLDDT）、界面置信度（如 ipTM、PAE）、形状互补性与氢键/疏水接触，以及用反向折叠模型（如 ProteinMPNN 一类）检查“这段结构是否容易被这条序列编码出来”。
4. 湿实验前筛选：再按可表达性、溶解性、聚集倾向、免疫原性风险等过滤，留下几十到上百个做基因合成，用展示技术或结合实验测亲和力与特异性。
要点是：分数高只代表计算上自洽，不代表试管里真能结合。所以这条链路永远是多轮“设计—测试”循环，单轮命中率通常不高。
和相邻概念的区别
| 结构预测 | 结合体设计 | |
|---|---|---|
| 输入 | 一条已知序列 | 靶点结构 + 指定表位 |
| 输出 | 三维结构 | 新的氨基酸序列 |
| 方向 | 序列 → 结构 | 结构 → 序列 |
| 成败标准 | 预测与实测是否接近 | 实验里是否真结合 |
两者不是替代关系，而是接力：生成模型出题，结构模型判卷。
对从业者的意义
它是“生成模型 + 判别模型 + 湿实验”闭环的典型样本：生成负责铺开搜索空间，预测模型负责廉价地证伪，湿实验负责最终裁决。用途上，抗体药物的替代分子、诊断试剂、生物传感器、结构解析用的辅助结合蛋白，都在这条线上。对不做生物的 AI 从业者，它也是“用模型做逆向设计”最成熟的落地场景之一，值得对照自己领域的做法看一遍。
具体工具与可用服务以官方页面为准。