AI已经能够设计出自然界中从未存在过的蛋白质，但一个现实问题随之浮出水面：人体未必愿意接受它们。10月16日，普林斯顿大学生物工程系助理教授姜凯议及其合作者在生物预印本平台发表论文，提出名为MESSI的生成式蛋白质设计模型，首次把去免疫原性作为生成目标，在保留蛋白质结构与功能的同时降低其引发免疫反应的潜在风险。研究团队随后在三种蛋白质中完成了设计验证，部分候选序列的预测表位数量降至零，同时保留了活性，一些变体的功能甚至有所改善。
问题的根源在于药物开发的最后一公里。一条氨基酸序列即使能折叠成预期结构、完成指定功能，进入人体后仍可能被免疫系统识别为外来物并触发防御反应。对需要反复给药的治疗来说，这尤其棘手：患者体内产生的抗药抗体会加速药物清除，或者直接中和其活性，让原本有效的治疗难以持续。姜凯议在药企工作的一年里切身观察到这一矛盾，免疫原性的问题在制药行业早已存在，而且迫切需要解决。过去的研究路径主要有两条：改造天然蛋白质以降低外源属性，或者在设计后另行优化。生成式模型打开更大的序列探索空间后，结构与功能越来越容易被设计，免疫原性这个缺口反而变得更加醒目。能否让模型在生成序列的那一刻，就把人体免疫系统的反应纳入考量，成了这项研究的出发点。免疫原性评估本身的难度也值得说明：表位预测依赖对人类白细胞抗原结合偏好的建模，不同人群的遗传背景差异意味着同一序列的免疫风险并不均一，模型能做的是在主流预测体系下尽量压低风险区间，最终的安全性结论仍需实验免疫学验证，这也解释了团队为何坚持计算与实验并行推进。
MESSI的思路是把去免疫原性从后置修补变成内生约束。模型采用生成式扩散架构，在序列生成的过程中同时满足三重目标：结构可折叠、功能可执行、免疫表位尽可能少。扩散模型逐轮去噪的生成方式天然适合这种多条件约束，模型在候选序列空间中搜索的不再是单一最优解，而是免疫风险与生物活性之间的平衡区域。研究团队强调，这一方法并不追求把免疫原性彻底清零作为唯一选项，而是在保住功能的前提下尽可能压缩表位数量，因为过度牺牲功能去规避免疫反应，得到的分子同样没有药用价值。这种工程化的取舍意识，与作者在药企积累的一线经验直接相关：先开发技术再找问题的顺序在科研中常见，在药企里恰恰相反，问题早已摆在那里等着工具出现。方法层面的另一处细节是训练信号的多样性：除已知的表位注释外，结构稳定性与功能位点的约束也被纳入生成过程，多目标之间通过扩散引导机制动态平衡。这种设计避免了单一指标优化的通病，即为了压低免疫评分而在别处引入新的缺陷，让生成的序列在多维约束下整体可用。
计算设计之外，团队给出了实验层面的证据。在三种蛋白质上的验证显示，一批候选序列的预测表位数量降至零，同时功能活性得到保留，部分变体的功能表现甚至优于原始序列。这一结果的价值在于打破了降低免疫原性必然牺牲功能的隐含担忧，说明免疫风险与生物性能在序列空间中存在共存区域。需要说明的是，预测表位归零仍属计算层面的判定，完整的成药性验证还需经历更长的湿实验与临床流程，但从设计源头就把免疫变量纳入优化的路径已经跑通。对制药行业而言，这意味着治疗蛋白、抗体与酶替代疗法类药物的开发早期多了一道可计算的免疫风险闸门，高免疫原性候选分子可以在试管之前就被筛掉，研发资源的浪费随之减少。对产业端而言，这项技术的适用范围不限于治疗蛋白。工业酶在反复使用中同样面临宿主免疫或过敏风险，医美用胶原蛋白的异源性问题长期困扰行业，诊断试剂所用抗体的种属差异也属于广义的免疫排斥范畴，去免疫设计思路在这些领域都有直接的迁移空间。
把这项工作放进脉络里看，蛋白质工程的范式迁移清晰可见。1993年，弗朗西丝.阿诺德开展酶的定向进化研究，通过反复突变与筛选获得性能改善的酶，为此后数十年的蛋白质改造奠定方法论。2003年，大卫.贝克团队设计出名为Top7的蛋白质，首次证明人类可以在计算机中设计目标结构、再寻找能折叠成该结构的氨基酸序列，蛋白质从头设计的大门就此打开。生成式AI普及后，设计能力大幅跃升，自然界没有的蛋白质成批出现，而MESSI所代表的去免疫原性设计，标志着设计目标从能不能做出来、好不好用，进一步推进到人体接不接受。蛋白质作为生命健康产业的底层原料，从抗体、胶原蛋白到诊断酶制剂都绕不开这一环，当生成模型学会与免疫系统谈判，AI蛋白质设计离真正的临床与产业落地又近了一段。接下来的观察点有两个：一是更大分子量或抗体复合物上的验证能否复现表位归零的结果，二是首个基于此类方法设计并进入临床管线的分子何时出现。如果这两步顺利，去免疫原性设计将从一项论文成果变成行业标配流程，届时回看，生成模型接管蛋白质设计的最后一块短板，正是从免疫这道关开始的。