一、文章主要内容总结
该研究提出了一种受群体智能启发的去中心化多智能体框架，利用大型语言模型（LLM）代理协作进行从头蛋白质序列设计。核心思路是为蛋白质序列的每个残基位置分配独立的LLM代理，这些代理通过迭代提出上下文感知的突变，整合设计目标、局部邻域相互作用、历史记忆和反馈信息，无需依赖基序支架或多序列比对，即可生成满足结构、物理化学和功能需求的蛋白质序列。
研究通过实验验证（如圆二色谱CD光谱）证明，该框架能精准设计α-螺旋、β-折叠、无规则卷曲等二级结构，还可实现振动频率匹配、金属结合口袋构建、多结构域设计等复杂目标。通过对比6种不同LLM（如GPT-4o、Llama-3.2-3B等），发现模型选择可调控序列优化的收敛与探索平衡；与AlphaFold、ProtGPT2、RFdiffusion等主流方法相比，该框架在设计自由度、多目标优化能力和新颖性上更具优势，且无需预训练或微调，仅需数小时GPU计算即可完成设计。
二、文章创新点
- 去中心化多智能体架构：突破传统单模型范式，为每个残基位置分配LLM代理，通过局部协作实现全局优化，无需微调即可适应多样化设计目标。
- 上下文感知与记忆机制：代理整合局部序列/空间邻域信息、历史突变记录、能量评分等多维度数据，实现迭代式学习与自适应优化。
- 高效灵活的设计能力：无需依赖任务特定数据或模型重构，支持结构、物理化学、功能等多类型目标，且能探索蛋白质序列空间的新颖区域。
- 实验验证与模型对比：通过C
