让蛋白结合体设计更简单：BindCraft 正式上线 SciMiner

摘要：即便借助部分计算工具，binder 的结合精度和稳定性仍难以保证，大多数设计止步于计算机预测阶段。正因如此，如何让科研人员能够低门槛、高效率地获得高亲和力的binder，成为药物设计和蛋白工程领域迫切需要解决的问题。

在生物医药的创新浪潮中，蛋白质工程与新型药物研发始终是最具挑战性的领域之一。特别是

蛋白结合体(binder)

的设计，被视为推动下一代治疗分子、诊断工具乃至合成生物学应用的重要突破口。然而，de novo binder 设计（从头构建结合体）一直以来面临两大难题：

● 实验门槛高：

传统方法往往需要成千上万候选分子的构建与验证，不仅耗时耗力，还依赖昂贵的高通量平台。

● 成功率有限：

即便借助部分计算工具，binder 的结合精度和稳定性仍难以保证，大多数设计止步于计算机预测阶段。正因如此，如何让科研人员能够低门槛、高效率地获得高亲和力的binder，成为药物设计和蛋白工程领域迫切需要解决的问题。

随着 AlphaFold 等深度学习工具的出现，蛋白质结构预测迎来了革命性进展，也为智能化的 binder 设计提供了新的可能。

近期，EPFL×MIT团队在《Nature》发表的题为“One - shot design of functional protein binders with BindCraft”的研究，提出了一款名为BindCraft的开源自动化设计流程，彻底改变了这一局面。

BindCraft的核心原理是：

● 借助AlphaFold2 的结构预测能力，通过反向优化/幻觉方法，在目标蛋白表面生成结合伙伴；

● 再结合ProteinMPNN 的序列优化与Rosetta 的能量打分筛选，实现从结构到序列的一体化设计。

换句话说，研究人员只需要输入目标蛋白结构，BindCraft 就能自动生成一批候选 binder，并经过严格的筛选，最终输出最有可能在实验中成功的设计。

相比传统方法，BindCraft 带来了三大显著优势：

1.高成功率：在实际测试中，单次设计即可获得10%–100% 的实验成功率，远超以往方法。

2.自动化流程：无需复杂的人为干预，从结构生成到候选筛选全部由系统完成，大幅降低了计算和实验的门槛。

3.开放与灵活：无论是缺乏天然结合伙伴的新靶点，还是需要多样化结构的探索性研究，BindCraft 都能快速给出可行的设计方案。

在自研的SciMiner平台上，BindCraft已被集成，成为科研人员可以即开即用的核心工具。

操作体验：

●参数配置简洁：如 multimer_type、stage、flexibility、filter_type 等常用参数均已内置默认值，满足大多数场景；

●结合位点可控：支持指定 chains 与 target_hotspot_residues，从而聚焦关键残基区域；

●灵活控制：通过调整 lengths（如 65–150）、number_of_final_designs（如 40）、use_mpnn、use_filter 等选项，用户可自由平衡效率与精度。

科研人员无需关注繁琐的底层部署与 GPU 调度，即可在网页端完成 binder 设计，让复杂流程变得像点选操作一样直观。

在免疫治疗这一前沿领域，PD - 1/PD - L1 免疫检查点通路堪称关键“关卡”。肿瘤细胞狡猾地利用 PD - L1 与 T 细胞表面的 PD - 1 结合，巧妙逃避免疫系统的“追捕”。因此，科研人员一直渴望设计出高效的结合体（binder），精准结合 PD - 1，阻断其与 PD - L1 的“狼狈为奸”，从而重新激活 T 细胞的免疫功能，为癌症治疗带来新希望。

借助 BindCraft，这一复杂的设计过程被大幅简化。以 PD - 1 蛋白（PDB: 4ZQK ChainB）为目标，指定其界面上的关键残基（如 Y68、Q75、K131、I134、E136），在 SciMiner 平台的可视化界面中配置参数，即可一键启动 binder 设计任务。

输入参数

经过数小时的自动化运行，BindCraft 输出了一批候选结合体设计。科研人员不仅可以直接查看3D 结构，还能够查看并下载结果表格，进一步分析序列与能量打分。

候选binder与PD - 1的复合物结构

在输出的结果表格中，每个候选设计都包含唯一的 ID、对应的氨基酸序列，以及平均结合自由能（Average_dG）。本案例中，多个候选序列表现出较低的平均自由能（如 - 67.04 kcal/mol），显示出良好的结合潜力。科研人员可以进一步根据亲和力、结构合理性和实验可行性，挑选出最有前景的设计进入实验验证阶段。