Nat. Commun. | 生成式扩散模型设计DNA折纸

生成式人工智能在蛋白质设计领域大放异彩，但在DNA折纸（DNA origami）结构设计这片沃土上，却显得有些“水土不服”。核心瓶颈在于，这个领域缺乏大规模、标准化且包含真实结构信息的数据集，导致高质量的生成模型难以训练。不过，最近一项研究带来了破局的新思路。

研究人员开发了一个名为Generative SNUPI的生成式设计框架，它基于扩散模型，能够根据用户输入的目标几何轮廓，自动生成物理上可实现的DNA折纸结构。这套系统不仅完成了超过100种结构的设计与测试，其中部分设计经实验验证后，成功折叠并展现出负泊松比变形、模块化组装等复杂功能。这预示着，生成式AI有望极大地拓展DNA折纸的设计边界，为构建复杂、可重构的纳米结构开辟全新路径。

DNA折纸技术，简单来说，就是利用DNA碱基之间精准的互补配对规则，像搭积木一样在纳米尺度上构建出特定形状和功能的结构。过去十几年，这项技术已经在分子机器人、纳米器件、生物医学工程和动态纳米系统等领域大显身手。

然而，传统的DNA折纸设计大多依赖于规则的晶格结构和固定的交叉点布局。这种方法虽然稳定可靠，但一旦遇到复杂的自由曲线、需要动态变形的结构，或者高度不规则的几何体时，就显得力不从心了。许多复杂设计仍然离不开专家的手动干预和大量经验性调整。

另一边，以扩散模型为代表的生成式AI，在蛋白质和小分子设计领域已经展现出惊人的创造力。比如，像RFdiffusion这样的模型，甚至能从随机噪声中直接生成全新的蛋白质结构。相比之下，DNA纳米结构领域的发展似乎慢了一拍。问题的症结，很大程度上就出在数据上。

与拥有海量实验解析结构的蛋白质数据库不同，DNA折纸结构的实验数据少得可怜，而且结构表示方式五花八门，难以直接用于深度学习训练。于是，研究人员想出了一个巧妙的办法：既然实验数据不够，那就用物理模拟来“造”。通过大规模生成DNA折纸的平衡构象，构建标准化的训练数据集，从而让扩散模型学习到DNA纳米结构的几何“直觉”。

方法：构建生成式设计闭环

Generative SNUPI框架的核心是一个基于DDPM的扩散模型，它在碱基对的层面学习DNA折纸的三维结构分布。

其训练数据来源于450个通过SNUPI多尺度模拟系统获得的DNA线框折纸平衡构象。每个结构中的碱基对都以三维坐标表示，整个DNA结构被当作一个点云来学习。

训练过程模拟了一个“破坏与重建”的游戏：模型先学习如何将真实结构逐步添加高斯噪声，变成一团随机点云；然后再学习如何从这团噪声中，一步步恢复出原本的真实结构。为了确保生成结构在三维空间中的几何一致性，模型引入了SE(3)-等变Transformer架构，使其天生就具备旋转和平移不变性。

到了生成阶段，事情就变得有趣了。用户只需输入一个目标线条图形——可以是手绘草图、CAD设计图，甚至是AI生成的图案。扩散模型便会根据这个条件，从随机噪声开始，逐步“描绘”出符合目标形状的DNA结构点云。紧接着，自动化的DNA链路由算法会接手，生成骨架路径和订书钉序列。

最后，SNUPI模拟系统还会对生成结构的稳定性、柔性和热波动特性进行评估。整个流程形成了一个从设计、生成到初步评估的闭环，旨在减少后续实验的试错成本。

图1：Generative SNUPI整体工作流程。

结果：从理论到实践的跨越

生成式设计成为现实

研究人员首先验证了Generative SNUPI完整流程的可行性。该系统能够处理从简单轮廓、受生物启发的图形到复杂的剪纸/折纸超材料等各种线条图案。生成的三维点云结构经过路由算法处理后，能直接输出原子级别的DNA折纸模型。将物理模拟集成到设计流程中，意味着在设计阶段就能对结构的稳定性和柔性进行预测，这是一个显著的进步。

高保真结构的稳定生成

那么，模型生成的结构质量如何呢？关键在于它是否真正学会了DNA结构的分布规律，而不是简单地“背诵”训练集。

研究人员对100种不同尺寸和复杂度的结构进行了测试。结果显示，初始时目标结构之间的Wasserstein距离差异很大，说明生成任务具有高度多样性。而最终生成结构的平均WD仅为约2.21纳米，保真度很高。即使是包含约15000个碱基对的大型结构，模型也能高保真地生成。

进一步的RMSD分析证实，大多数生成结构与训练样本明显不同，这表明模型确实学到了内在的规律，而非机械记忆。

图2：扩散模型生成过程与结构保真度分析。

设计空间的革命性扩展

Generative SNUPI的强大之处在于它释放了前所未有的设计自由度。研究人员展示了大量传统方法难以企及的复杂设计案例，包括艺术图案、剪纸超材料、三维曲面线框结构以及复杂的结状拓扑结构。

与依赖规则晶格的传统方法不同，这套系统能够轻松生成弯曲的边缘、倾斜的连接点和高度不规则的几何体。过去，这类自由形态的结构设计需要耗费专家大量的时间和经验，而现在，生成式AI可以自动完成。

图3：复杂自由形态DNA折纸设计展示。

实验验证：从蓝图到实物

任何设计的终极考验都在于实验验证。研究人员选择了多个生成设计进行原子力显微镜（AFM）和凝胶电泳实验。

一个生动的例子是两个“狗脸”结构的设计迭代。第一个版本（Face 1）因部分区域连接不足，模拟预测其局部波动较大，柔性过高。AFM结果果然显示该区域出现了塌陷和图像模糊。研究人员随后增加了边缘连接，生成了Face 2。改进后的设计显著降低了结构偏差，AFM图像与目标轮廓高度吻合。

此外，从蒙娜丽莎、历史人物雕像到地标建筑、公司Logo启发结构等一系列复杂图案，大多数都能正确折叠，且单体产率超过80%。其中一些结构，如六角手性结构和旋转三角形结构，甚至表现出了预期的动态开合行为。

图4：AFM实验验证与结构修正过程。

迈向动态与模块化系统

研究并未止步于静态结构。团队进一步利用Generative SNUPI设计了具有机械变形能力的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。通过在连接点引入短单链缺口来降低局部刚性，这些结构能在外部连接器作用下实现“开合”转换。实验证实，这两种结构的面积分别能缩小约34.9%和47.3%。

更令人印象深刻的是模块化组装。研究人员设计了包含不同面部和身体模块的“狗”结构。由于模型能精确匹配模块接口的几何形状，不同模块可以稳定组装。实验表明，四种不同的组合均成功形成了二聚体，组装产率超过65%。

图5：DNA超材料动态变形与模块化组装。

讨论：范式转变的开端

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。与依赖规则和人工经验的方法相比，Generative SNUPI的根本性突破在于，它能够直接学习DNA纳米结构的几何先验，从而自动化地生成复杂的自由形态。

通过物理模拟解决数据瓶颈，是生成式AI能在该领域落地应用的关键一步。更重要的是，这套系统展示的能力远超静态造型，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“自由生成时代”。

当然，目前模型主要支持双螺旋线框结构，未来的扩展方向很明确：向更复杂的六螺旋束结构、多层晶格以及片层架构进军。随着更多训练数据和深度学习工具的融入，未来有望形成一个完整的“AI自动设计—物理预测—实验验证”闭环体系。

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转向：从基于规则的计算机辅助设计，逐渐走向数据驱动的生成式设计。生成式AI未来或许会像改变蛋白质设计领域那样，重新定义DNA纳米结构工程的疆界。

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