用 LLM Agent 设计蛋白质：PABLO、ProtoCycle、Agent Rosetta 三路线拆解

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

用 LLM Agent 设计蛋白质：PABLO、ProtoCycle、Agent Rosetta 三路线拆解

蛋白质设计领域出现了一个结构性变化：LLM Agent 不再只是「聊天接口」，而是开始承担设计流程中的具体职能。2026 年的三篇代表性工作恰好给出了三种不同的角色定位——优化器、规划器、软件驾驶员。三条路线不是竞争关系，而是把「LLM 推理 × 专业工具执行」这个共同范式，落在了三个不同的工程位置上。

先回答三个问题

路线一：Agent 当优化器——PABLO

宾夕法尼亚大学的 PABLO（CoRR 2026）把生物设计的黑盒优化全流程「语言化」：构建层级 Agentic 系统，用科学文献预训练的 LLM 生成候选、再迭代精炼，整个过程以语言为媒介组织优化循环。

按论文口径，它在 GuacaMol 分子设计基准与抗菌肽优化两个任务上取得 SOTA，样本效率显著优于基线方法；更值得注意的是体外验证环节：优化得到的肽段经实验验证对耐药菌显示强活性——这是「Agent 优化 → 湿实验闭环」的完整证据链，而不只是基准刷分。

对读者的参考价值：如果你做多目标分子/肽优化，PABLO 证明了「LLM 当搜索策略」在生物设计空间里的可行性，尤其在候选评估昂贵、样本预算紧张的场景。

路线二：Agent 当规划器——ProtoCycle

上海交大的 ProtoCycle（ACL 2026）解决的是「计划-执行」鸿沟：text-guided 蛋白设计里，用户给的是自然语言目标（「设计一条含某 motif、可折叠、避免某结构域的序列」），需要先拆解成工具调用计划再执行。

它的结构是经典的三段式：LLM 规划器做任务分解、轻量工具环境模拟人类蛋白工程的迭代工作流、基于工具反馈的反思修正处理执行偏差。训练上用监督轨迹 + 在线 RL 两阶段，目标是语言对齐与可折叠性兼得——即「听懂人话」与「物理上真的能折叠」同时满足。

与 PABLO 的分工差异一目了然：PABLO 的 Agent 直接是优化循环本身，ProtoCycle 的 Agent 是调度者——为每次设计任务编排工具链。后者更接近通用 Agent 框架在垂直领域的实例化。

路线三：Agent 当软件驾驶员——Agent Rosetta

第三条路线最「工程」：Agent Rosetta（arXiv 2603.15952）让 LLM Agent 直接操作 Rosetta——蛋白质物理设计领域积累二十年的专业软件，学习成本高、参数体系复杂，一直是生信工程的「重型装备」。

结果层面：在天然与非天然残基设计任务上追平专用模型与专家基线。但比结果更重要的是它的方法学结论：仅靠提示工程常失败，环境设计 > 提示工程。同样的 LLM，在为 Rosetta 定制的环境（工具接口、错误反馈、任务封装）里表现远好于裸提示直调——这与我们在 Agent 工程上的观察一致：Claude Code 们的强大一半来自模型、一半来自环境封装。

三路线对比与选型

选型直觉：有成熟软件资产的团队看路线三（环境封装复用 Rosetta 类工具）；做优化任务的看路线一；要接自然语言前端的看路线二。

范式启示与对照

三条路线共同指向的判断：LLM 在蛋白质设计里的位置不是「替代物理模型」，而是「替代人肉胶水」——以前是人读文献、人调参数、人解释错误，现在是 Agent。这与纯生成式路线（AlphaProtein Novo 的从头酶设计）构成对照：生成式押注「模型内生地学会蛋白质语法」，Agent 化押注「推理能力 × 现有工具链的组合」——短期内后者在可解释性与工程可控性上占优。

对做湿实验闭环的团队，Agent 路线的另一个参照系是 Anthropic 的 950 Agent 生物学发现（见同批 article-03）：那边是 Agent 群做发现，这边是 Agent 链做设计——工程理性版与组织规模版的区别。

落地建议

参考来源 / 信源清单

AI 辅助生成，人工核验后发布。