进一步，研究人员结合从随机序列出发的幻影（hallucination）蛋白设计策略，直接从拓扑参数（单体数目以及长度等）出发设计能满足此参数的蛋白多聚体。并且这些多聚体多样性高，很多与自然界已知蛋白的结构都不一样，从而大大拓展了蛋白从头设计的发挥空间与潜在应用范围(2)。
以上工作2022年9月15日背靠背发表在Science；通讯作者David Baker表示这些基于深度学习的策略将逐步实现动态以及功能性蛋白设计(1–3)。
Comment(s)：
ProteinMPNN设计蛋白成功率高通用性强的一个重要原因也许是它更偏向考虑全局互作的特点与实际蛋白折叠原理有一定的相通之处。
另外，从蛋白设计出发，通过海量的设计分析序列与蛋白结构（预期或者其他）及其性质（溶解性、聚集状态等）的关联也许还能获取蛋白折叠及其化学特性的新见解。
参考文献：
1. J. Dauparas et al., Robust deep learning–based protein sequence design using ProteinMPNN. Science (80-. ).(2022), doi:10.1126/SCIENCE.ADD2187.
2. B. I. M. Wicky et al., Hallucinating symmetric protein assemblies. Science (80-. ). (2022), doi:10.1126/SCIENCE.ADD1964.
3. Beyond AlphaFold: AI excels at creating new proteins, (available at https://phys.org/news/2022-09-alphafold-ai-excels-proteins.html).
原文链接：
https://www.science.org/doi/10.1126/science.add2187
https://www.science.org/doi/10.1126/science.add1964
