《Nature Methods》2020年7月刊发表的综述文章《The Rosetta software for macromolecular modeling, docking and design》由来自全球60余家机构的Rosetta开发社区联合完成（包括David Baker实验室、Jeffrey Gray团队等知名研究组）。该论文系统总结了Rosetta计算建模套件在过去五年（2015-2020年）的重要进展，涵盖80余种新开发的方法及其在结构生物学、药物设计等领域的创新应用。
核心框架与功能演进
Rosetta作为开源计算平台，最初专注于蛋白质结构预测（protein structure prediction）和折叠研究，经过20余年发展已形成涵盖以下核心功能的体系： 1. 多尺度建模能力
通过蒙特卡洛采样（Monte Carlo sampling）与能量函数评估（score function evaluation）的协同机制，支持从原子级相互作用（如氢键网络设计）到复杂生物大分子组装（如病毒衣壳对称组装）的全尺度建模。最新版Rosetta3采用模块化架构，允许用户组合超过500个独立模块构建定制化流程。
能量函数优化
2015年发布的ref2015能量函数通过以下创新显著提升精度：
- 引入基于液相性质（liquid-phase properties）和气相转移自由能（vapor transfer free energies）的参数优化方法
- 新增笛卡尔空间键长/键角非理想性修正项（Cartesian term）
- 支持非经典氨基酸（non-canonical amino acids）、金属蛋白（metalloproteins）等特殊化学组分的建模
测试表明，该函数使突变自由能变化（ΔΔG）预测速度提升10倍，同时保持与实验数据0.7-0.8的相关系数。
专业化建模工具
- 抗体工程：RosettaAntibodyDesign（RAbD）可通过North-Dunbrack簇模板实现互补决定区（CDR）的精准设计，实验验证显示其可使抗体亲和力提升10-50倍
- 膜蛋白建模：RosettaMP框架融合隐式膜模型（implicit membrane model），成功预测多跨膜螺旋蛋白（如G蛋白偶联受体）的拓扑结构
- 核酸模拟：Stepwise Assembly（SWA）算法使RNA三级结构预测达到原子级精度，其衍生的FARFAR方法在CASP13竞赛中表现优异
方法学突破与典型应用
1. 蛋白质设计创新
- 超稳定多肽设计：通过广义运动学闭合算法（GeneralizedKIC）成功设计含硫醚键约束的环状多肽（如covcore系列），其热稳定性达120℃
- 蛋白质界面工程：FlexddG协议通过Backrub采样模拟骨架柔性，将蛋白-蛋白相互作用能预测误差降低至1.2 kcal/mol
- 全新折叠设计：SEWING方法通过结构片段重组，实现了含内部空腔的弯曲β片层（curved β-sheet）等非天然拓扑结构
2. 实验数据整合平台
- 冷冻电镜辅助建模：RosettaES算法通过分块重建策略，可在3-5Å分辨率下实现蛋白质复合物的自动建模（如疱疹病毒核衣壳）
- NMR约束优化：CS-Rosetta模块整合化学位移（chemical shifts）、伪接触位移（PCSs）等多维数据，使膜蛋白结构计算精度提高40%
- 质谱数据对接：PyTXMS流程利用交联质谱（cross-linking MS）数据指导蛋白质互作界面预测，成功解析链球菌M1蛋白与15种人血浆蛋白的1.8MDa复合物
技术生态与可用性提升
用户交互体系
- PyRosetta提供Python API支持高通量计算流水线搭建
- Foldit游戏界面将蛋白质折叠难题转化为众包科学项目，玩家贡献的解决方案多次发表于《Nature》系列期刊
- ROSIE服务器集群集成25个常见协议，如小分子对接（RosettaLigand）和抗体建模（SnugDock）
开源社区建设
Rosetta Commons联盟采用分布式开发模式，通过GitHub协作和季度会议协调全球开发。截至2020年，已衍生出11家生物技术初创企业，商业许可用户包括辉瑞、默克等主要药企。
科学价值与行业影响
基础研究层面
Rosetta的能量函数优化策略（如氢键网络协同性建模）为理解蛋白质折叠密码提供了新视角，其发表的算法标准（如ddG_monomer）已成为领域基准测试工具。
转化应用价值
- 在新冠疫情期间，Rosetta被用于SARS-CoV-2刺突蛋白的突变效应预测
- 基于Rosetta设计的IL-2变体已进入肿瘤免疫治疗临床试验阶段
- 碳水化合物建模框架（RosettaCarbohydrate）支撑了新型糖疫苗的理性设计
未来发展方向
文章指出下一代开发将聚焦：
- 量子计算兼容架构的适配
- 深度学习方法与传统力场的融合
- 细胞尺度下的分子动态模拟环境构建
开发者特别强调对实验-计算闭环工作流的支持，通过实时反馈优化实验设计。
（注：全文引用的89篇参考文献和补充材料中详细协议可参阅原刊DOI: 10.1038/s41592-020-0848-2）