進一步，研究人員結合從隨機序列出發的幻影（hallucination）蛋白設計策略，直接從拓撲參數（單體數目以及長度等）出發設計能滿足此參數的蛋白多聚體。並且這些多聚體多樣性高，很多與自然界已知蛋白的結構都不一樣，從而大大拓展了蛋白從頭設計的發揮空間與潛在應用範圍(2)。
以上工作2022年9月15日背靠背發表在Science；通訊作者David Baker表示這些基於深度學習的策略將逐步實現動態以及功能性蛋白設計(1–3)。
Comment(s)：
ProteinMPNN設計蛋白成功率高通用性強的一個重要原因也許是它更偏向考慮全局互作的特點與實際蛋白摺疊原理有一定的相通之處。
另外，從蛋白設計出發，通過海量的設計分析序列與蛋白結構（預期或者其他）及其性質（溶解性、聚集狀態等）的關聯也許還能獲取蛋白摺疊及其化學特性的新見解。
參考文獻：
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).
原文鏈接：
https://www.science.org/doi/10.1126/science.add2187
https://www.science.org/doi/10.1126/science.add1964
