从200个样本里，挖出蛋白质进化的最优解

想象一下：一个由100个氨基酸组成的蛋白质，可能的序列组合多达20^100种——这个数字比可观测宇宙里的原子总数还要多。过去，科学家要从这天文数字的可能性里找功能更强的蛋白质，要么靠碰运气试错，要么得花数月做5到10轮实验筛选。但现在，Arc研究所的团队用一套叫MULTI-evolve的框架，只测200个样本，就能在数周里让蛋白质功能提升几十甚至上百倍。他们是怎么把大海捞针变成精准捕鱼的？

别学无效经验，要抓关键互动

过去的机器学习模型，要么靠单突变数据训练，要么测几千个随机变体——前者不知道突变之间会怎么互相影响，后者大部分数据都是在教模型“什么是没用的”。就像你想学做一道好吃的菜，却对着一万份黑暗料理研究，最后只学会了避开错误，根本不知道真正的美味配方是什么。

MULTI-evolve的思路反了：先找到15到20个能增强蛋白质功能的单突变，然后系统测试这些突变的所有成对组合。这就像先挑出所有能提鲜的调料，再试哪两种搭配最惊艳——每一次测试都在教模型“什么是有效的协同”，而不是浪费精力在无效组合上。

他们用12个不同蛋白质家族的数据验证：哪怕把训练数据砍到10%，模型依然能准确预测5到7个突变组合的功能。核心就在于，这些成对组合的数据，能让模型抓住蛋白质里的“上位效应”——也就是突变之间1+1>2或者1+1<2的协同或拮抗作用，这才是多突变体功能提升的关键。

三大支柱：从选料到出锅的全流程革命

MULTI-evolve不是单点突破，而是一套从计算到实验的闭环系统，靠三个核心技术撑起来。

第一个支柱是**多模型集成的突变预测**。单一蛋白质语言模型（把氨基酸序列当“语言”学习规律的AI）总会有偏好，比如传统模型会排斥脯氨酸替换，就会错过APEX蛋白里能让活性提升53倍的A134P突变。MULTI-evolve把基于序列和结构的多个模型结合，还会修正模型对特定氨基酸的偏见，平均能找出20个有益突变，比单一模型多近一倍。

第二个支柱是神经网络的多突变外推。用单突变和双突变数据训练的全连接神经网络，能像资深厨师一样，从调料的搭配规律里，直接算出五种调料混合的味道。在12个数据集里，模型超过一半时间能精准选出功能最强的多突变体，实际实验里甚至只需要测9个候选就能找到最优解。

第三个支柱是**MULTI-assembly快速合成**。过去做多个突变的蛋白质合成，不仅贵还容易失败，MULTI-assembly通过优化引物设计和反应条件，对带9个突变的长序列能做到40%到70%的组装效率，把合成时间从数周压缩到数天。

我认为：这是实验室模式的真正升级

很多人关注MULTI-evolve的效率提升，但我觉得更重要的是它代表的“实验室-循环”模式——计算和实验从一开始就绑定在一起，而不是先算完再去实验室验证。

传统的AI辅助生物研究，往往是计算团队先出预测，再扔给实验团队去试，两边像两条平行线。但Arc研究所的团队从一开始就让计算和实验人员一起工作：计算模型的训练目标完全围绕实验能测的200个样本设计，实验的每一组数据又直接喂给模型优化。这种模式下，AI不再是实验室的“外部顾问”，而是和实验仪器一样，成为研究的核心工具。

当然，这套方法也有局限：它目前更适合已经有部分功能基础的蛋白质，要从头设计全新功能的蛋白还得结合其他技术。但它至少解决了一个现实的痛点：当实验室只能测几百个样本时，怎么把每一份样本的价值用到极致。

MULTI-evolve的开源，让更多实验室能用上这套工具——未来可能会有更多酶、基因编辑工具、治疗性抗体，用这种方法快速优化升级。我们总说AI要赋能科学，但真正的赋能从来不是让AI代替人做决策，而是让人的每一份努力都能得到最精准的反馈。

从天文数字的序列空间里，靠200个样本找到最优解，这不是AI的魔法，而是人类终于学会了用更聪明的方式和自然对话。精准比海量更重要，协同比叠加更有效。