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
