本研究方向基于“设计-构建-测试-学习”（DBTL）循环范式，深度融合人工智能与高通量实验技术，构建了AI驱动的蛋白质智能设计系统。
通过集成蛋白质语言模型和深度学习算法，可精准预测蛋白质序列与功能关系，生成高稳定性、高活性的候选分子（如短肽、抗体、工业酶），并结合高通量生物实验手段实现批量合成与功能验证。AI模型在每轮实验中持续学习实验数据，优化生成策略，形成闭环迭代，将传统耗时数年的研发周期压缩至数周。
在版权保护方面，创新性引入基于Golomb Ruler的纠错算法，通过MRC变进制编码器将数字水印嵌入蛋白质DNA序列中，既能以近100%准确率溯源设计归属，又确保水印对生物功能零干扰。该技术可抵抗结构裁剪、坐标噪声等后处理攻击，为AI生成的蛋白质提供显式版权证明手段。
