Nat Commun 研究解读 扩散模型如何设计DNA折纸结构

生成式人工智能在蛋白质设计领域成果斐然，但在DNA折纸（DNA origami）结构设计这一前沿领域，其应用却面临显著挑战。核心制约因素在于，该领域长期缺乏大规模、标准化且包含真实三维结构信息的高质量数据集，这使得训练出可靠的生成模型困难重重。然而，一项最新的研究带来了突破性的解决方案。

研究团队成功开发了一个名为Generative SNUPI的生成式设计框架。该框架基于先进的扩散模型，能够根据用户输入的目标二维几何轮廓，自动生成在物理上可实现的、复杂的三维DNA折纸结构。该系统已成功完成超过100种不同结构的设计与理论验证，其中多项设计经过湿实验证实，能够成功折叠并展现出负泊松比变形、模块化自组装等高级功能。这标志着生成式AI技术正强力推动DNA折纸的设计边界，为构建高度复杂、可动态重构的纳米功能器件开辟了全新的技术路径。

DNA折纸技术，本质上是一种利用DNA分子碱基互补配对原则，在纳米尺度上精确“编程”和构建特定形状与功能结构的方法。过去十多年，这项强大的纳米制造技术已在生物传感、智能药物递送、分子计算及动态纳米机器等多个交叉领域展现出巨大潜力。

然而，传统的DNA折纸设计方法主要依赖于规则的方形或六角形晶格，以及预设的交叉点布局。这种基于规则模板的方法虽然设计流程成熟、结构稳定，但在面对复杂的自由曲线、需要大尺度动态形变的结构，或高度不规则的几何目标时，其设计能力便捉襟见肘。许多前沿的复杂结构设计，仍然严重依赖领域专家的手动调整和大量试错，效率低下。

与此同时，以扩散模型为代表的生成式AI，在蛋白质三维结构预测与设计、新型小分子药物发现等领域已取得革命性进展。例如，RFdiffusion等模型能够从随机噪声直接生成具有全新折叠方式的蛋白质。相比之下，DNA纳米结构的设计自动化进程显得滞后。其根本瓶颈，正如前所述，在于数据的匮乏。

与拥有数十万计实验解析结构的蛋白质数据库（PDB）不同，DNA折纸领域公开的实验结构数据稀少，且数据格式不一，难以直接用于深度学习模型训练。为此，研究人员创新性地采用了“以模拟补数据”的策略：通过大规模物理模拟生成DNA折纸的平衡构象，构建起一个标准化、大规模的虚拟训练数据集，从而让扩散模型能够从中学习DNA纳米结构的底层几何与物理规律。

方法：构建智能生成式设计闭环

Generative SNUPI框架的核心是一个基于去噪扩散概率模型（DDPM）的深度学习模型，该模型在单个碱基对的尺度上学习和生成DNA折纸的三维空间分布。

其训练数据来源于通过高精度多尺度模拟平台SNUPI计算得到的450个DNA线框折纸结构的平衡构象。每个结构中的所有碱基对均以三维坐标表示，从而将整个DNA结构转化为一个三维点云数据进行学习。

模型的训练过程模拟了一个“加噪与去噪”的博弈：模型首先学习如何将清晰、真实的结构数据逐步添加噪声，直至退化为完全随机的点云；随后，再学习如何逆向操作，从一团随机噪声中逐步重建出清晰、合理的结构。为了确保生成结构在三维空间中的几何一致性（即旋转和平移不变性），模型采用了SE(3)-等变Transformer架构，使其天生具备处理三维空间对称性的能力。

在生成应用阶段，流程极具用户友好性。用户仅需输入一个目标线条图形——可以是手绘草图、计算机辅助设计（CAD）图纸，或由其他AI生成的图案。扩散模型便会以此作为条件，从随机噪声开始，逐步“描绘”出符合目标形状的三维DNA结构点云。随后，自动化的DNA链路由算法将介入，将点云结构转换为具体的骨架路径并设计出对应的“订书钉”DNA序列。

最后，SNUPI模拟系统会对生成结构的稳定性、柔性及热力学波动特性进行快速评估。整个流程构成了一个从创意输入、智能生成到初步物理验证的完整设计闭环，旨在大幅降低后续实验验证的周期与成本。

图1：Generative SNUPI整体工作流程示意图。

结果：从理论设计到实验验证的跨越

生成式设计流程的成功验证

研究人员首先系统验证了Generative SNUPI全流程的可行性。该系统能够高效处理从简单几何轮廓、受自然界启发的生物形态到复杂的剪纸艺术或折纸超材料图案在内的各类线条输入。生成的三维点云结构经路由算法处理后，可直接输出原子精度的全原子DNA折纸模型。将物理模拟集成于设计环节，意味着在设计初期即可对结构的稳定性和动态柔性进行预测，显著提升了设计的可靠性与成功率。

高保真三维结构的稳定生成

生成模型的质量关键在于其是否真正掌握了数据背后的分布规律，而非对训练集的简单记忆。

研究团队对上百种不同尺寸和复杂度的目标结构进行了测试。量化分析显示，初始时不同目标结构间的Wasserstein距离差异显著，证明了生成任务的多样性。而最终生成结构与目标轮廓之间的平均WD距离仅为约2.21纳米，保真度极高。即使是包含约15000个碱基对的大型复杂结构，模型也能实现高保真度的生成。

进一步的均方根偏差（RMSD）分析证实，大多数生成结构与训练集中的任何样本都存在明显差异，这表明模型确实学到了DNA折纸结构的通用构建原理，而非进行简单的机械记忆或复制。

图2：扩散模型生成过程可视化与结构保真度量化分析。

设计空间的革命性拓展

Generative SNUPI的强大能力在于它彻底释放了DNA折纸的设计自由度。研究展示了大量传统基于晶格的方法难以实现的复杂设计案例，包括精细的艺术图案、具有机械超材料特性的剪纸结构、复杂的三维曲面线框以及拓扑结状结构。

与受限于规则网格的传统设计不同，该系统能够轻松生成平滑的曲线边缘、非正交的倾斜连接点以及高度非周期性的几何形状。过去，这类自由形态的结构设计需要专家投入大量时间进行手动路由和优化，而现在，生成式AI可以近乎实时地自动完成。

图3：复杂自由形态DNA折纸结构设计案例展示。

实验验证：从数字蓝图到物理实体

任何纳米结构设计的最终考验在于实验层面的成功折叠与表征。研究人员选取了多个生成设计，通过原子力显微镜（AFM）成像和凝胶电泳技术进行了严格的实验验证。

一个典型的例子是两个“狗脸”结构的设计迭代。第一版设计（Face 1）因局部区域连接强度不足，模拟预测其柔性过高、波动较大。随后的AFM实验结果确实显示该区域出现了结构塌陷和图像模糊。研究人员据此增加了关键边缘的连接，生成了改进版Face 2。模拟预测改进后结构偏差显著降低，AFM成像结果也与目标轮廓高度吻合。

此外，从世界名画《蒙娜丽莎》、历史人物雕像到著名地标建筑、企业Logo启发的一系列复杂图案，大部分都能成功折叠，且单结构产率超过80%。其中一些设计，如六角手性结构和旋转三角形结构，甚至在实验中观察到了预期的动态开合行为。

图4：基于AFM的实验验证与结构优化修正过程。

迈向动态系统与模块化组装

研究的探索并未局限于静态结构。团队进一步利用Generative SNUPI设计了具备机械变形能力的DNA超材料，例如具有负泊松比特性的旋转三角形和凹角结构。通过在特定连接点引入短的单链缺口以降低局部刚性，这些结构能够在外部连接链的触发下实现可逆的“开合”状态转换。实验证实，这两种结构的面积可分别缩小约34.9%和47.3%。

更令人瞩目的是模块化组装能力的实现。研究人员设计了包含不同面部和身体模块的“狗”形结构。由于模型能精确匹配不同模块接口的几何形状，这些模块能够像积木一样稳定组装。实验表明，四种不同的模块组合均成功形成了二聚体，组装产率超过65%。

图5：DNA超材料的动态机械变形与模块化自组装演示。

讨论：范式转变的开端与未来展望

这项研究首次系统性地证明了扩散模型在DNA折纸从头设计中的巨大潜力与实用性。与依赖固定规则和专家经验的方法相比，Generative SNUPI的根本性突破在于，它能够直接从数据中学习DNA纳米结构的几何与物理先验知识，从而自动化地生成复杂多样的自由形态结构。

通过利用物理模拟破解数据瓶颈，是生成式AI得以在该领域落地应用的关键创新。更重要的是，该系统所展示的能力已远超静态造型，涵盖了可变形机械结构、剪纸超材料、模块化装配系统乃至动态纳米器件，这标志着DNA纳米技术正从“规则晶格时代”迈向“智能生成时代”。

当然，当前模型主要专注于双螺旋线框结构。未来的扩展方向十分明确：包括支持更复杂、更稳定的六螺旋束结构、多层二维/三维晶格以及片层架构的设计。随着更多高质量训练数据的积累和更强大深度学习工具的融合，未来有望形成一个更加完善的“AI自动设计—多尺度物理预测—高通量实验验证”的智能闭环研发体系。

从更广阔的视角看，这项研究代表了DNA纳米技术设计范式的一次重要演进：从基于规则的计算机辅助设计（CAD），逐渐走向数据驱动与物理知识融合的生成式智能设计。生成式AI未来极有可能像它正在重塑蛋白质工程领域那样，彻底改变DNA纳米结构设计与制造的疆界。

参考资料

Truong-Quoc, C., Jeon, K., Kim, J. et al. De novo design of DNA origami with a generative diffusion model. Nat Commun (2026).

https://doi.org/10.1038/s41467-026-73578-z