抗衰多肽与蛋白质工程
✓ 已验证从三维空间寻找抗衰分子 · 100%工具已部署验证
靶点3D结构三引擎预测 → 分子对接+亲和力计算 → 多肽逆折叠设计 → 稳定性+免疫原性双筛。4步管线全部工具已部署验证，从Protenix V2到MHCflurry，38个SOTA模型全部本地化运行。本页面向三类读者：想评估抗衰多肽筛选能力的功效护肤品牌、寻找分子级计算筛选差异化的多肽/CRO、评估蛋白质工程模型壁垒的投资人与同行。
向下阅读「核心能力」和「验证指标」——评估我们抗衰多肽干计算筛选的能力和精度。
重点看「差异化优势」「管线步骤」「术语速查」——评估分子级计算筛选的差异化。
关注「差异化优势」「验证指标」「能力回溯」——评估蛋白质工程的模型壁垒。
什么是蛋白质/多肽分子筛选
抗衰多肽的研发，本质上是在三维空间里寻找能与靶点蛋白精准结合的分子。传统方法依赖高通量湿实验筛选——周期长、成本高、命中率低。干计算筛选的思路是：先用AI预测靶点蛋白的3D结构，再在计算机中模拟分子对接，最后用逆折叠设计生成候选多肽序列——把湿实验的工作量压缩几个数量级。
DiVo 用三个独立结构预测引擎交叉验证——Protenix V2、ESMFold、Boltz-2——pLDDT>90才进入下游管线。然后从对接、设计到免疫原性筛选，4步管线100%工具已部署验证，38个SOTA模型全部本地化运行。
单一结构预测模型可能在不同蛋白类型上表现差异大。三个独立引擎共同预测，pLDDT>90才进入下游——覆盖不同建模原理和结构空间，确保下游对接和设计的起点可靠。
传统多肽设计依赖经验库和随机突变，效率低且搜索空间有限。ProteinMPNN/LigandMPNN从3D结合口袋反推最优序列——给定结构求序列，直接生成高亲和力候选。
DiVo Gen²AI 的角色
蛋白质/多肽分子筛选是 DiVo 四维一体服务中管线B的核心产出，也是功效护肤品牌抗衰产品研发中从靶点到候选分子的干计算筛选的关键环节。我们提供从3D结构预测到安全多肽候选的全链路计算——三引擎交叉验证、分子对接、逆折叠设计、稳定性+免疫原性双筛，4步全部工具已部署验证。
我们不做湿实验验证（干计算筛选后需品牌方湿实验确认），不做GMP生产对接（提供序列+质控标准），不保证体内活性（体外对接≠体内有效）。我们交付的是可直接供品牌方湿实验验证的候选多肽序列和质控标准。
核心能力 · 4步管线
管线B · 蛋白质/多肽分子筛选 · 全部工具已部署验证
差异化优势
与单引擎/未部署蛋白质工程管线的核心区别
Pro-Prime取代FoldX——稳定性SOTA
不再使用2005年的FoldX(65-70%精度)，而是部署Pro-Prime+ProSST做ΔΔG预测。DDGun(物理方法)做基线对照——如果Pro-Prime和DDGun结果矛盾，就知道是模型幻觉。
BoltzGen 5权重全完整——全原子设计
BoltzGen 5个权重(7.9G)全部完整下载，529M参数。boltz2_aff.ckpt是DiVoPPIHead亲和力预测的架构基础。全原子扩散设计能力就绪。
87工具全栈零新增投入
从结构预测到多肽设计到免疫原性评估到mRNA递送设计，87个工具全部本地化部署。不需要额外采购或等待部署。
验证指标
模型基准与部署实绩
| 指标 | 值 | 说明 |
|---|---|---|
| Protenix V2 pLDDT | 95.4 | 结构预测精度 |
| BoltzGen | 5权重7.9G全完整 | 全原子扩散设计，529M参数(boltz2_aff) |
| Pro-Prime ΔΔG | SOTA | 取代FoldX(2005)的稳定性预测主工具 |
| ProteinMPNN | >52% | 序列回收率（文献基准） |
| 免疫原性预筛 | AUROC=0.7547 | MHCflurry+NetMHCpan (TESLA基准) |
| 部署工具 | 87个 | 三大卫星项目全工具本地化 |
诚实边界
能做的和不能做的，都写清楚
我们能做的
我们明确不做的
术语速查
蛋白质/多肽分子筛选领域最核心的 7 个术语
| 缩写 | 全称 | 中文 | 通俗解释 |
|---|---|---|---|
| pLDDT | predicted Local Distance Difference Test | 局部距离差异测试预测分 | AlphaFold系模型输出置信度指标，0-100分，>90表示结构高度可靠 |
| ΔΔG | Delta Delta G | 结合自由能变化 | 衡量蛋白质-配体结合强弱的指标，ΔΔG越负结合越强。Pro-Prime是目前SOTA预测工具 |
| Pro-Prime | Pro-Prime | 蛋白质稳定性预测SOTA | 取代FoldX(2005, 65-70%精度)的新一代蛋白质稳定性预测模型，精度显著提升 |
| BoltzGen | BoltzGen | 全原子扩散蛋白质设计 | MIT开源的蛋白质设计模型，5个权重(7.9G)全完整。boltz2_aff含529M参数的AffinityModule |
| ProteinMPNN | Protein Message Passing Neural Network | 蛋白质信息传递神经网络 | 蛋白质逆折叠设计模型，给定3D骨架生成最优氨基酸序列，序列回收率>52% |
| GEMORNA | GEMORNA | mRNA序列设计模型 | DiVo自研微调的mRNA序列设计模型，配合RNALens稳定性预测+UTRGAN UTR优化，构成mRNA递送三件套 |
| MMP | Matrix Metalloproteinase | 基质金属蛋白酶 | 一类锌依赖性内肽酶，在抗衰多肽筛选中常作为靶点，调控细胞外基质降解 |
CAPACITY TRACE
能力回溯
这项服务由哪些能力支撑——从硅片到你的场景
硅片(L1) → 模型(L2) → Agent(L3) → 管线(L4) → 你的场景