AI“梦见”的蛋白质，能用来造手机吗？

想象一下，你口袋里的手机不再是冷冰冰的硅和金属，而是部分由“会呼吸”的材料构成：它能像藤蔓般贴合曲面、像皮肤般自愈、用完还能安全降解。更大胆一点，这些材料并非来自矿石冶炼，而是AI“梦见”的蛋白质配方，在生物工厂里被精确合成。这不是科幻片的开场白，而是实验室里正在发生的现实。所谓“AI梦见”的蛋白质，是指用深度学习从头生成、按需设计的全新序列与结构。研究者已经用机器学习网络设计出具备复杂活性位点、自然界从未出现过的新型酶折叠，证明AI不只是在优化旧零件，而是在发明“新零件”。更重要的是，产业级蛋白质大模型和无人值守进化平台正在把“设想→验证→迭代”的周期压缩到工程可用的速度，让定制功能的蛋白成为一种可编程资源。那么，能不能“用来造手机”？答案是：它们正在“造手机的部分”，而且有些部件表现惊艳。以丝素蛋白杂化材料为核心的忆阻器，已经实现了10纳秒级开关、极低功耗和高稳定的人造突触行为，这正是新一代类脑存储/计算单元所追求的三大指标。基于天然丝胶蛋白分散的碳纳米管墨水，可在纸张、织物等柔性基底上喷印导电图案，为可穿戴和柔性终端提供绿色、低毒的电路制造方式。蛋白材料不只“能导电”，还“会变形”。利用蚕丝蛋白的水触发几何重构，研究者做出可像藤蔓攀附血管的螺旋电极，这种对几何与力学的可编程控制，意味着未来的可卷曲天线、贴合式传感器与折叠结构件可以更轻、更柔、更贴身。甚至在材料来源上，生物酶已经展现出生产电子化学品的潜力：新近发现的蛋白催化能高效形成硅-碳键，为有机硅材料提供更清洁的合成路径，这些材料正是显示、封装与柔性电子的重要基元。 “蛋白质怕热、遇水就塌”的传统印象，也在被打破。通过AI与分子动力学驱动的设计，工程化蛋白在力学与热稳定性上已远超天然模板，有的在121°C甚至150°C仍保持结构与功能。这意味着在手机常见的温湿环境、甚至局部发热场景下，特定蛋白基部件并非不可用，加上金属纳米簇等杂化策略，电学性能与耐久性正在跨越式提升。要让这条路真正可规模落地，关键是把“蛋白序列—功能—器件指标”变成可闭环优化的工程问题。这里，像CleaveNet那样的端到端AI设计范式提供了方法论：用预测模型量化功能、用生成模型探索新序列、再以实验闭环验证与筛选。配合超大规模数据集与自动化实验平台，蛋白材料的“按需编程”速度会越来越接近电子工业的迭代节奏。当然，短期内别指望用蛋白质替代整机的处理器、射频前端或高能量密度电池。真正的挑战在于与CMOS制程的兼容、长期环境稳定性、湿热与紫外老化、以及片上大规模一致性。这也是为什么未来更现实的图景，是“混血手机”：硅负责高速计算与通信，蛋白/生物杂化材料承担柔性显示、低功耗存储、健康传感、可降解结构件等模块，让设备更环保、更贴身、更智能。当AI可以“梦见”材料，而生物工厂可以把梦想打印成现实，电子产品也许会迎来一场从“硬”到“软”、从“不可降解”到“可循环”、从“被动”到“会适应”的范式转变。也许有一天，我们不再问“蛋白质能不能造手机”，而是会问：怎样让手机更像生命，既强大，又温柔地与环境共处？

AI能设计出超越自然演化的“超级分子”吗？

把“进化”这台慢吞吞的宇宙机器，拧上AI的加速器，会发生什么？答案正在走出科幻：算法正把自然从未尝试过的结构、活性与选择性，拼装成现实中的分子与蛋白质——有些已经在试管里发光、在工厂里干活、在细胞里执行全新任务。所谓“超级分子”，并非神秘外星材料，而是指功能、稳定性或选择性超越自然演化边界的人造分子与蛋白质。AI之所以能逼近乃至跨越这条边界，有两把钥匙：一把是“语言”——把氨基酸序列当语言建模，捕捉序列-结构-功能的统计规律；另一把是“生成”——用扩散模型、Transformer等方法，在几乎无穷的组合空间中按目标函数定向搜寻。最新的例证来自蛋白酶底物设计。MIT与哈佛团队提出的CleaveNet把预测模型与生成模型闭环串联，在20^10级别的肽序列海洋里，既算“切不切”，又排“切多快”，还量化不确定性。对MMP家族，模型在独立数据上的相关性强、AUC高，说明它学到的不是记忆，而是普适的生化规律。把它用于实验设计，24条面向MMP13的候选底物命中率达100%，并且通过条件生成拿到“高效率+高选择性”的组合——这是自然数据里罕见的优等生。这不是简单的“会不会切”，而是“切得又准又狠”，为探针、抑制剂和递送开关带来工程化可行性。更宏观的突破来自从头设计的酶与折叠。研究团队基于新型网络对活性位点进行原子级“对齐筛查”，成功设计出能催化酯水解的丝氨酸水解酶，并报告了多种自然界未见的全新折叠。这类成果表明，AI不再只是微调自然模板，而是能够在结构空间里“增开支路”。配合逆向折叠算法，给定骨架几何即可在秒级生成可折叠的高概率序列，设计速度与质量双升。 “超越”的维度还体现在功能取向上。工业界用大模型在短月级周期内把塑料降解酶的耐碱性提高数倍，把实验样本量从成千上万压缩到百级；Profluent等团队用蛋白语言模型生成全新CRISPR酶，已能在人体细胞中工作；动态可编程的蛋白质被设计出“扭转—捕获—释放”离子的运动能力；而跨模态世界模型把多肽、蛋白、核酸、小分子一体化“按需求生成”，把多目标权衡从人类直觉交给优化器。AI带来的不是单点奇技，而是从序列到结构、从性质到可合成性的一体化“分子工程流水线”。当然，宣称“全面击败自然”还为时尚早。训练数据携带人类与进化的偏差，生成分子可能“看起来像，但做不对”；复杂催化涉及过渡态与全构调控，现有模型对动力学与水化环境仍有盲区；体外高效不等于体内可靠，免疫原性、代谢稳定性、毒理窗都需要系统验证；此外，知识产权与生物安全也要求把“可设计”与“可治理”同步纳入流程。好消息是，闭环平台正在弥合这些鸿沟：模型生成—高通量筛选—不确定性驱动的主动学习—再设计，像CleaveNet展示的那样，每一轮都更懂“自然的语法”，也更贴近“工程的目的”。所以，AI能否设计出超越自然演化的“超级分子”？答案已经在逐步显形：在速度上，AI把亿万年探索压缩到小时级搜索；在广度上，它能跨物种、跨模态地重组知识；在目标上，它能追求自然不曾偏爱的指标组合，比如极端稳定性与极致选择性并存。真正的关键不在“能不能”，而在“如何负责任地把它做成产业与福祉”。当我们开始从“发现分子”转向“构思分子”，从“等待突变”转向“编排性能”，人类或许正在开启一场第二层进化——由自然选择塑造可能，由智能设计塑造意图。问题也随之而来：当创造的速度快过理解，我们准备好为自己赋予的这份“分子造物权”承担怎样的边界与答案？

AI设计的“完美”药物，会在体内“叛变”吗？

当AI把一枚分子“雕成玉”，真正的考验从它进入人体的那一刻才开始。胃酸的洗礼、肝酶的雕琢、血浆蛋白的牵引、细胞膜的门槛——每一道关口都可能把“完美设计”改写成另一种命运。这也是“药物会在体内叛变吗？”的科学本质：不是背离初衷的阴谋，而是复杂系统的涌现与反馈。在体内，“叛变”常见于两条路。其一，代谢之手悄然改造。I相氧化还原水解里，CYP450同工酶是主力，II相里葡醛酸化最常见、最“温和”。但有时会走偏：对乙酰氨基酚可生成反应性代谢物NAPQI，耗竭GSH并与蛋白共价结合，引发肝毒；含噻唑环的先导物因代谢活化致毒，换上“代谢软点”甲基后成为更安全的美洛昔康。监管与实践也设下红线：一旦出现“高比例代谢产物”（人体AUC>总暴露的10%且动物中不足），就需要专门的非临床安全评估。其二，靶点之外的“搭话”。多靶点相互作用和药物联用会放大不确定性，著名的torcetrapib因意外激活盐皮质激素通路而增加心血管事件，殷鉴不远。 AI能否让“叛变”更少？答案是“可以，而且越来越好”。生成式优化不再只追求“强效”，而是多目标约束的“稳准狠”。例如用正向/负向引导的模型同时拉高HER2活性、压低EGFR脱靶，显著降低潜在风险；图网络模型在19,000+蛋白相互作用层面推演药物联用副作用，曾提前预测他汀类与氨氯地平合用的肌炎信号；面向生物分子的多模态大模型把序列、结构、几何整合进同一“语言”，把ADMET、免疫原性、代谢位点等限制“写进”设计目标。更前沿的策略是把疾病微环境当成保险丝：CleaveNet展示了如何用AI定制对MMP13高效且高选择性的切割底物，既能作为诊断探针，也能成为“只在病灶被激活”的前药开关，把系统性副作用锁在门外。但AI不是护身符，实验是最后的裁判。行业里形成了“多层围栏”：体外肝微粒体/肝细胞体系评估代谢路径；GSH等亲核探针捕获反应性代谢物，必要时做放射性共价结合定量；早期开展次级药理学筛查，既看单点，也画全曲线，识别钟形剂量反应等隐患；尽早做跨种属代谢比对，防止“动物安全、人类出事”的错位。对生物大分子而言，还要加做免疫原性预测与体内聚集倾向评估。所有这些，都是让AI方案从“好看”到“好用”的必经之路。更聪明的设计也在出现。把前药“接入”蛋白酶逻辑门，满足“两把钥匙一起转动才释放”的条件；用非泛素化的MidTAC路线降解传统E3难以触达的靶点，绕开既有路径的瓶颈；把基因网络级的因果推断引入靶点选择，降低路径补偿和生物适应带来的反噬。这些并非花哨点缀，而是系统工程的耐心铺垫。会不会叛变？坦诚讲，任何药物都有概率偏航，AI设计也不例外。但概率可以被压低，后果可以被“软着陆”。用AI做多目标对齐、用药理学做分层风控、用体内外模型做闭环迭代，叛变就从“黑天鹅”变成“可管理的灰犀牛”。或许，这个时代最好的答案不是“完美药物”，而是“在真实人体中依然可靠的药物”。当我们学会把智能的锋芒与生命的复杂性对齐，设计就不再是一次性成就，而是一段持续校准的旅程——科学的精确与敬畏，在此相遇。

AI学会编写生命密码，我们离“造物主”多远？

把生命想象成一门语言。过去我们会背单词（DNA/蛋白序列）、查语法（生化规则），如今，AI开始像一个熟练作家，能在正确位置安放标点与修辞，让“句子”在细胞里按下启动键或刹车键。这不是科幻桥段，而是实验台上正在发生的现实：从能精准“咔哒”切开的蛋白酶底物，到从头创制全新折叠的酶分子，AI正把“读写生命密码”从偶然的灵感，推进到可重复的工程。以CleaveNet为例，它把“预测”和“生成”合成一个闭环，专攻一个老大难：给特定蛋白酶设计既高效又高度选择性的肽底物。研究团队用约1.85万条十肽、18种MMPs的大型mRNA展示数据训练出预测器，再用自回归模型生成候选序列。结果很硬核：在从未参与训练的测试集上，针对MMP13的相关性达到0.80，二元区分AUC可到0.98；更关键的是，实验台前也“打分”过关——24条全流程设计的底物全部被MMP13成功切割，还有一批兼具高活性与高选择性，这是天然数据里极少见的组合。对疾病诊断和治疗意味着什么？MMPs本就是肿瘤、炎症、心血管等重要生物标志物；能按需造出只被某一型MMP识别的“分子开关”，就能更清晰地追踪病程、更精准地递送药物、甚至只在病灶里“解锁”疗效。更宏观地看，AI在“写作生命语言”的多个层级同时开花。华盛顿大学的工作展示了从头设计丝氨酸水解酶：先用生成模型扩散出多样结构，再用PLACER像“结构校对器”一样逐步验证反应路径上的几何与化学兼容性，最终不仅催化有效，还拓展出自然界未见的五种新折叠，并通过晶体学精确对上号。这不是微调旧段落，而是在字典里新增了新词条。另一边，长序列基础模型Evo把上下文拉长到基因组尺度，既能预测点突变的效应，也能生成多基因系统，连“AI写的Cas9”都能在实验中发挥功能。再把AlphaFold 3纳入工具箱，结构与相互作用的“语义解析”大幅加速。读、写、编译的链路，正在被接上。那么，我们离“造物主”有多远？近的部分，是在可控、可验证的局部功能上，我们已能稳定写下短小而精准的“段落”。像CleaveNet这样的平台，把近乎无限的序列空间压缩成高命中率的候选库；条件化生成让“只对某酶响应”的选择性成为常态而非偶然；在应用上，绿色催化、可编程降解、疾病早筛与伴随诊断的落地速度都在提升。可以预见的三五年里，更多“条件激活药物”“逻辑门底物”“定制降解器”会从论文走向临床前管线和工业发酵车间。远的部分，同样清晰。生命并非静态文本，而是上下文高度耦合的动态剧场。序列在不同细胞环境、表观修饰、免疫背景、代谢网络中的表现会分岔；多目标权衡和长期演化压力常让短期“好句子”在体系层面变成“别字”；模型的训练偏差、分布外泛化、不确定性评估与可解释性，仍是绕不过的坎。更别提从分子到器官到生态的层层放大，那是从句法到叙事再到世界观的跨越。我们写得越快，越需要更好的审稿机制：行业级DNA序列合成审查、分级实验与合规体系、模型红队与使用审计、自动化实验室的安全联动与可追溯记录，都是把“能写”变成“写得对、写得安稳”的地基。真正令人振奋的是，我们正在从“艺术+经验”的工匠活，迈向“数据+原理”的工程学。蛋白质语言模型在序列里捕捉到类似“语法”的motif与结构域规律，CleaveNet一类的端到端框架把DBTL循环升级为可闭环学习的DBTLP，让设计速度与质量同步提升。与此同时，像MidTAC这类不走传统泛素化路径的可编程降解手段，也在拓宽“可写之事”的边界。也许“造物主”的比喻会让人心潮澎湃，但更贴切的定位是“负责任的合著者”。我们不是要主宰自然，而是与自然共同编写更安全、更可持续的篇章。当AI学会了写作，接下来更重要的问题不再是“能不能写”，而是“该写什么、为何而写、如何证明这段文字在长远时间里仍然正确”。保持雄心，亦守住边界；拥抱速度，也给验证留出耐心。距离“造物主”的那一段路，或许正是人类在技术与伦理之间不断校准的旅程——而这份自觉，恰恰是我们最珍贵的创造力。

自然界没有的分子造的药，你敢吃吗？

想象一下，医生递给你一粒药丸：“它的活性分子在自然界找不到，是科学家和AI共同‘发明’的。”你会本能后退，还是好奇迈进一步？在医学里，“天然”并不自动等于“安全”，也不意味着“更好”。关键不在来源，而在证据：它是否可控、可验证、可重复地带来更大获益、并把风险降到可接受的水平。今天的“人造分子”早已不止是科幻。AI已经能从零设计全新的蛋白质和酶，甚至创造出自然界没有的折叠样式；研究团队用Transformer等蛋白质语言模型捕捉“序列—功能”的规律，能预测并定制蛋白酶与底物的互作。更具体地，MIT与哈佛提出的CleaveNet，把“会不会被切”“切得有多快”“对谁更专一”这三个难题打包解决：生成模型负责创造大量新序列，预测模型量化每条序列对18种MMP的切割效率与不确定性，再让湿实验验证闭环。结果很硬核：面向MMP13的24条计算设计底物全部被成功切割，命中率100%，并出现高效率与高选择性的“稀缺组合”。这类“条件激活”的肽底物有望做成疾病微环境中才被开启的诊疗开关，减少系统性副作用。 “自然界没有”并不稀奇。许多现代治疗策略本就是人类工程智慧的产物。蛋白质降解剂像PROTAC和分子胶，本体就不天然，却已在多病种推进临床，个别分子进入Ⅲ期；它们通过招募机体自有系统把致病蛋白“请走”，带来与传统抑制剂不同的药理效果。利用非天然氨基酸打造的抗体偶联药物，实现更精准的位点偶联与更稳定的载荷释放，产业界的大额并购也在向这种路线投信心票。当然，工程化并非没有代价：共价药物可能产生难以“撤回”的毒性；新序列的新表位可能引发免疫原性。这些都必须在体外机制、动物毒理、ADME/PK、免疫风险评估到分期临床和上市后监测的整套体系里逐层“压力测试”。 AI的角色正在从灵感火花，变成可审计、可量化的“助理工程师”。CleaveNet在分布外数据上仍能较好预测切割，说明它学到的不是“死记硬背”，而是更普适的生化约束；类似的网络也被用来跨物种预测蛋白酶-底物互作，为抗感染药物提供序列依据。监管尺度也在更新：AI组织学工具用于脂肪性肝炎评估，提示“AI介入研发流程”本身并非监管障碍，关键在验证路径是否充分。与此同时，伦理与安全的护栏需要与技术同频：人机回圈的研发范式、对生物安全的前置评估，以及对不可逆机制的审慎分级，都是把“大胆想象”变成“稳妥疗法”的桥墩。那到底，敢不敢吃？理性的答案是：当它满足三件事时，就值得认真考虑。其一，机制清楚且可被独立重复；其二，针对性强、可控性高，比如利用MMP等病理标志物作为“只在病灶开启”的钥匙；其三，经过规范的循证评估，显示真实世界的获益—风险比优于现有方案。自然与否只是标签，疗效与安全才是医学的尺。也许更有趣的问题是：当我们可以“按需编程”分子，让药物只在正确的地点、以正确的方式做正确的事，天然与人工的边界还重要吗？科学不断拓宽可能性的半径，而医学的良知，是在每一次新可能面前，仍然用最严格的证据与最谦逊的态度做出选择。对于来自未来的那粒药丸，保持好奇，更要坚守证据——这才是值得“敢”的底气。

新知 - 大圆镜｜AI破解蛋白酶密码，精准调控生命已成真？

对抗知识焦虑，从看懂这条开始

App 下载

生命的精密舞者：蛋白酶与调控之困

在人体这个由亿万细胞构成的精密国度里，生命活动如同一场永不停歇的宏大交响乐。而蛋白酶，就是这场交响乐中不可或缺的指挥家与舞者。它们如同微观世界里最精准的分子剪刀，通过特异性地切割蛋白质肽键，精确调控着从凝血、免疫应答到细胞凋亡、癌症演进等一系列关键生命过程。一旦这些“舞者”的节奏失常，往往会直接导致重大疾病的发生。

因此，掌握蛋白酶的语言，设计出能与之精准“对话”的分子工具——肽底物，成为了生物医药研发的核心。这些肽底物既可以作为探针追踪酶的活性，也能被设计成抑制剂来阻断异常功能，甚至可以充当靶向药物的“激活开关”。然而，挑战是巨大的。一个仅由10个氨基酸组成的肽链，其理论组合数量就高达10的13次方，这是一个近乎无穷的序列宇宙。更棘手的是，功能相近的蛋白酶家族成员结构相似，极易发生“交叉识别”，使得从中筛选出既高效又专一的底物，如同在宇宙中寻找一颗特定形态的星辰，传统方法对此束手无策。

AI执笔：CleaveNet改写游戏规则

就在生物学家们面对这一天文数字般的挑战时，人工智能带来了破局的曙光。麻省理工学院（MIT）与哈佛大学的联合团队，于近期公布了一项名为 CleaveNet 的人工智能端到端设计流程。这一成果，旨在彻底颠覆蛋白酶底物设计的传统范式。

CleaveNet的核心是一个精妙的“预测-生成”协同闭环，由两个功能互补的AI模块构成：

CleaveNet Predictor（预测模块）：它像一位经验丰富的“鉴赏家”。基于强大的Transformer架构，它能从海量序列中快速、精准地评估任何一个肽底物被特定蛋白酶切割的效率，并给出不确定性评估。其预测精准度与实验值的相关系数高达0.80，展现了非凡的洞察力。
CleaveNet Generator（生成模块）：它则是一位富有创造力的“艺术家”。作为一个自回归Transformer模型，它学习了海量数据中蕴含的普适性切割规律，能够“无中生有”地创造出全新的、具有生物学合理性的肽序列，探索人类科学家从未触及的序列空间。

这个“艺术家”与“鉴赏家”的组合，形成了一个强大的设计引擎。首先由生成器海量创造候选序列，再由预测器进行高效的虚拟筛选，最终将最优设计方案交由湿实验验证。这一流程，将过去漫长而低效的筛选过程，变成了一场由AI主导的高效、精准的工程化设计。

从虚拟到现实：100%命中率的震撼验证

所有理论的优美，最终都需要现实的检验。CleaveNet交出的答卷堪称惊艳。研究团队将AI设计的矛头指向了基质金属蛋白酶MMP13——一种与癌症和关节炎等疾病密切相关的蛋白酶。

在体外生化实验中，由CleaveNet全流程设计的24条候选底物，被MMP13成功切割的命中率达到了100%。更令人振奋的是，这些AI设计的底物，其中位切割效率显著高于训练数据中已知的所有高效底物。这意味着AI不仅找到了“好”的答案，更找到了“更好”的答案。

面对设计“高选择性”底物这一终极难题，CleaveNet同样表现出色。通过在生成模型中加入“高MMP13选择性”的条件引导，AI生成的底物展现出对MMP13的显著偏好。其中，部分设计出的底物甚至同时兼备了极高的切割效率与绝对的专一性——这是在天然数据中极为罕见的“黄金组合”，充分证明了CleaveNet探索全新优质序列空间的强大能力。

AI驱动的新范式：一场席卷生命科学的革命

CleaveNet的成功并非孤例，它是一场更宏大变革的缩影。人工智能正以前所未有的深度和广度，重塑生命科学的研究范式，从“数据驱动”迈向“AI引领”。

从头设计生命分子：就在不久前，华盛顿大学的David Baker团队利用AI首次从零开始设计出具有复杂活性位点的全新酶，甚至创造了自然界不存在的蛋白质折叠方式，这标志着人类正在从理解生命走向创造生命。

药物研发“超加速”：清华大学团队研发的AI药物筛选平台DrugCLIP，将虚拟筛选速度提升了千万倍，使得过去需要数年才能完成的筛选工作在数小时内即可完成。
活体精准调控：北京大学团队开发的CAGE-Proxvivo技术，利用机器学习实现了在活体动物内对特定蛋白质功能的精准“开关”，为开发更智能的靶向疗法开辟了新路径。

这一系列突破共同指向一个未来：生物学研究正从一门依赖试错和经验的科学，进化为一个高度理性化、工程化的新领域。AI不仅是强大的工具，更成为了科学家的“智能伙伴”，能够提出假说、指导实验、并从海量数据中洞察人类无法企及的深层规律。

结语：书写生命新篇章

从CleaveNet对蛋白酶底物的精准拿捏，到AI从头设计全新的功能酶，我们正站在一个新时代的入口。在这个时代，解码生命底层逻辑、按需编程生命功能，正从科幻一步步走向现实。人工智能赋予了科学家前所未有的能力，去探索、设计和创造。这不仅将催生出更精准的药物、更灵敏的诊断工具和更绿色的生物催化剂，更重要的是，它将帮助我们更深刻地理解生命本身的奥秘，并开始亲手书写属于未来的生命新篇章。