在这项工作中，他们提出了一个全新的大环肽从头设计框架 RFpeptides，能够利用深度学习准确设计出与目标蛋白具有高亲和力的大环肽分子，在大环肽药物开发中取得了突破性进展。

RFpeptides 是一套基于深度学习的分子设计框架，核心思想是利用去噪扩散模型（denoising diffusion models）来生成能够与特定蛋白质表面形状与化学特征相匹配的大环肽结构。这一框架能够在计算机中模拟“大环肽从无到有的生成过程”，并在设计过程中综合考虑构象稳定性、空间适配性以及潜在的结合能力，从而在虚拟空间内探索更丰富的大环肽结构空间。凭借这一能力，RFpeptides 为靶向蛋白质界面、开发具有高特异性的大分子抑制剂提供了全新的计算方法 。

RFpeptides的设计流程包括三个主要步骤：骨架生成、序列生成和筛选评估。首先，通过Multimeric diffusion技术生成环肽的骨架结构。Multimeric diffusion是一种先进的计算方法，能够根据目标蛋白质的表面特征生成与之匹配的环肽骨架。接着，利用MPNN（多肽神经网络）生成环肽的氨基酸序列。MPNN能够根据骨架结构设计出具有高亲和力的序列。最后，对生成的环肽进行评估和筛选，确保其具有良好的构象稳定性和结合能力。这一流程能够在计算机中模拟大环肽从无到有的生成过程，为探索更丰富的大环肽结构空间提供了可能 。

虽然 RFpeptides官方给出了基本的使用说明，但在实际部署过程中仍存在不少细节需要反复调试。为了让更多研究者能够顺利体验这一工具，我们团队在亲自踩过“各种坑”之后，对安装流程、依赖管理以及使用方式进行了系统梳理，并在原有教程基础上做了进一步优化。