实操教程!AI编程自动化蛋白设计——IL-6 Binder设计!

在正式进入 Claude Code Skills × Protein Design Skills 之前，有两件准备工作需要先完成。这里不展开具体操作步骤，只说明你需要什么、为什么需要。

安装 Claude Code 并配置模型 API：Claude Code 的安装与 API 配置，本身并不是本文的重点。如果你使用的是 GLM 系列模型（如 GLM-4.5），BigModel 官方已经给出了非常完整、可复现的配置说明，包括Claude Code 本地安装、API Key 配置、模型接入方式、基础运行验证。这些内容在官方文档中已经写得很清楚，这里不再重复讲一遍👇

https://docs.bigmodel.cn/cn/coding-plan/quick-start

开通 Modal Labs（长期 / 重度调用必需），如果你只是偶尔体验 Claude Code，本地跑一些轻量任务，不一定非要额外平台。但一旦你计划长期使用 Claude Code、运行结构预测 / 生成 / 评估等 计算密集型任务、或者像Adapty 的 Protein Design Skills 那样，把技能封装成可复用流程，那么你几乎一定会遇到一个现实问题——这些任务，不能一直靠本地机器跑。这也是为什么目前很多 protein design skills、AI 生物 workflow，都会基于 Modal Labs 来运行——按需分配算力（CPU / GPU）、任务级别隔离、与 Claude Code / skills 工作流天然适配、更接近“云端实验平台”的使用体验。因此，如果你希望长期、稳定地调用 protein design skills，建议提前在 Modal Labs 官网 开通套餐，并完成最基础的账号与 API 配置。👇

设计流程

在这套 BoltzGen → Chai-1 验证 → 结构与界面质控 的 protein design workflow 下，我们一次性生成并评估了 50 个 IL-6（1ALU）结合剂候选。整体来看，流程本身是稳定可复现的，但结果也很“真实”地反映了一个事实：对 IL-6 这样的目标蛋白，真正高置信度的 de novo 结合界面并不容易出现。

在所有设计中，仅有极少数候选在接口置信度（ipTM）上达到较高水平，大多数仍处于中低置信区间，这意味着“能生成结构”与“真的形成稳定结合界面”之间，依然存在明显差距。值得注意的是，综合评分最高的候选并不一定是接口分数最高的那一个，而往往是那些结构一致性更好、折叠稳定性更高，同时具备中等以上接口可信度的设计——这类候选在真实实验中通常更“省心”，更有可能顺利表达、复现并进入下一轮优化。

相反，个别接口分数极高但构象一致性较差的设计，则更像是“值得一赌、但风险明确”的候选，需要为后续重设计和结构约束预留空间。整体而言，这份结果并不是在筛选“完美答案”，而是在为第一轮实验验证提供一个优先级清晰、风险可预期的候选集合。