该论文介绍，深度学习推动了蛋白质结构的预测和设计，但仍需一个通用框架来克服在蛋白质设计上遇到的各种挑战。扩散模型是一种生成式模拟方法，已被证明在图像和文本生成中很有用，而且似乎也适用于蛋白质设计。然而，这类模型目前的成功率并不高，产生的序列基本不能折叠成目标结构。

　　论文通讯作者、美国华盛顿大学David Baker和同事及合作者开展研究表明，通过细调之前报道过的RoseTTAFold的结构预测网络并将其整合到一个降噪扩散模型中，就能生成具有实际意义的蛋白质骨架，而蛋白质骨架决定了蛋白质的形状和功能。该模型(RFdiffusion)能测试拥有不同结构元素的设计组合，并从头开始产生蛋白质。RFdiffusion能执行不同的任务，设计单体(蛋白质的基本组成单位)、寡聚体(多亚基聚体)和有治疗或工业应用前景的复杂结构，如结合位点。

　　论文作者对数百个设计出的对称聚体、金属结合蛋白和结合蛋白的结构和功能进行了实验表征，证明了该方法的实用性。他们还生成了设计的一种结合蛋白与其底物(此处为流感血凝素——在流感病毒表面发现的蛋白)的复合物并分析了其结构，发现结果与设计的模型几乎一模一样，从而证明了该方法的准确性。

　　论文作者总结认为，RFdiffusion是对目前蛋白质设计方法的一次综合改进，能产生总长度达600个残基的结构，复杂性和准确度都比之前更高。后续对该方法的进一步改进，或能设计出复杂程度更高的新蛋白。