310 AI
Protein design platform whose MutaDock and foundation models let scientists design, edit, and optimize proteins and antibodies through an AI copilot.
Key Features
- text-to-protein：依功能描述生成蛋白質序列
- 自建分子程式設計基礎模型
- 以運算取代傳統定向演化的部分試錯流程
- 面向合成生物學與可程式化生物學應用
Pros
- 切入蛋白質設計的反向問題，題目本身價值很高
- 若能驗證有效，可大幅縮短酵素與生物製劑的開發循環
- 概念清楚，對合成生物學的研究方向有啟發性
Cons
- 官網對模型規格與驗證數據揭露極少，外界難以評估真實能力
- 生成序列的濕實驗成功率是關鍵，但缺乏公開的第三方驗證
- 未公開價格與試用方式，取得門檻不明
Use Cases
- 酵素工程研究尋找候選序列設計
- 合成生物學專案設計特定功能的蛋白質
- 生物製劑開發的早期序列探索
- 學術團隊研究生成式蛋白質設計的方法學
- 生技投資人評估蛋白質設計賽道的技術成熟度
Editor's Note
老實說，text-to-protein 這個題目我又期待又戒慎。期待是因為一旦做成，酵素工程與生物製劑的開發節奏會整個改變；戒慎是因為這領域宣稱普遍跑在驗證前面，310 AI 官網的揭露也偏少。給研究團隊的建議很簡單：先確認你的濕實驗檢測夠快，再來談用生成模型擴大候選池。
FAQ
生成出來的蛋白質序列真的做得出來、有功能嗎？
這正是整個領域最關鍵也最少被誠實回答的問題。生成序列只是第一步，還要能表現、能摺疊、能有活性。310 AI 官網並未公開濕實驗的成功率數據，所以我的態度是保留：值得試，但別把它當成已驗證的結論。
這跟 AlphaFold 有什麼不一樣？
方向相反。AlphaFold 是給序列預測結構（正向問題），310 AI 想做的是給功能生成序列（反向問題）。反向問題困難得多，因為同一個功能可能有無數種序列實現，而且大多數都無效。
台灣的研究團隊要怎麼開始？
先確認你的蛋白質系統有沒有快速的活性檢測方法。生成式設計的價值在於能大量產生候選，但如果你一個候選要測三個月，那產生一百個候選也沒用。檢測通量跟不上，設計再快都是空轉。