研究职员现在能够证明的东西，为未来的一些运用供应了梦幻般的潜力，例如更快、更有本钱效益地开拓基于蛋白质的药物。

蛋白质是大型、繁芜的分子，在所有活细胞中发挥着至关主要的浸染，在我们的细胞内自然构建、润色和分解其他分子。
它们也被广泛运用于工业过程和产品，以及我们的日常生活中。
以蛋白质为根本的药物非常常见，糖尿病药物胰岛素是最常用的处方药之一。
一些最昂贵和最有效的癌症药物也是基于蛋白质的，以及目前用于治疗COVID-19的抗体配方。

目前用于蛋白质工程的方法依赖于引入蛋白质序列的随机突变。
然而，每引入一个额外的随机突变，蛋白质的活性就会低落。
因此，人们必须进行多轮非常昂贵和耗时的实验，筛选数以百万计的变体，才能设计出终极与自然界中创造的蛋白质和酶有显著差异的蛋白质和酶。

这个工程过程非常缓慢，但现在研究职员有了一种基于人工智能的方法，研究职员可以在短短几周内从打算机设计拿到可以事情的蛋白。
他们的新成果最近揭橥在《自然机器智能》杂志上，代表了合成蛋白质领域的打破。
研究小组和互助者开拓了一种基于人工智能的方法，名为ProteinGAN，它利用了一种天生式深度学习方法。

从实质上讲，人工智能得到了大量来自研究良好的蛋白质数据，它研究这些数据，并试图基于这些数据创造新的蛋白质。
同时，人工智能的另一部分则试图弄清楚合成的蛋白质是否是假的。
蛋白质在系统中来回发送，直到人工智能无法再分辨天然和合成蛋白质。
这种方法以创建不存在的人的照片和***而有名，但在这项研究中，它被用于生产高度多样化的蛋白质变体，这些变体具有类似自然主义的物理特性，可以测试其功能。

日常产品中广泛利用的蛋白质并不总是完备天然的，而是通过合成生物学和蛋白质工程技能制成的。
利用这些技能，对原有的蛋白质序列进行修正，希望创造出更有效、更稳定、针对特定运用的合成新型蛋白质变体。
基于人工智能的新方法对付开拓高效的工业酶以及基于蛋白质的新疗法（如抗体和疫苗）具有主要意义。