部分中小银行5年期存款利率降至1.2%

传统抗(kàng)蛇毒血清需要数月时间，依赖动物免疫，而如今(rújīn)，诺奖团队开发的 AI“蛋白质设计师”只需几秒钟的时间去定制(dìngzhì)设计一款蛋白。

这项突破不仅让抗蛇毒血清(xuèqīng)的耐热性突破 78℃、成本直降 90%，更预示(yùshì)着人类正式进入“AI 造药”新时代。

蛋白质是生命活动的“全能选手”，从细胞结构到免疫防御，全靠它“撑场子”。虽然由 20 种氨基酸通过肽键(tàijiàn)连接形成，但排列组合方式(fāngshì)多到“爆炸(bàozhà)”！

如果考虑所有(suǒyǒu)可能的氨基酸(ānjīsuān)排列方式，理论(lǐlùn)上，蛋白质的种类几乎是无限的。仅 100 个氨基酸的链条，就能拼出 20*100 种可能，比宇宙原子总数还多！虽然蛋白质的种类几乎无穷，但它们都由 20 种基本氨基酸按照(ànzhào)不同顺序和组合方式构成。

生物体内的蛋白质种类受基因编码的限制，例如人类基因组大约编码 2 万种蛋白质，而通过剪切、翻译后修饰等机制，最终(zuìzhōng)可能形成几十万种功能各异的蛋白质。不同(bùtóng)(bùtóng)物种、不同细胞类型甚至相同细胞在不同状态下(xià)，都可能表达出不同的蛋白质组合。

蛋白质设计就是利用科学方法让(ràng)氨基酸以不同的排列方式“定制”蛋白质，使其具备特定(tèdìng)的结构和功能。就像用不同的积木搭建出(chū)独特的模型，科学家根据需求排列组合氨基酸，从而创造新的蛋白质。借助计算机(jìsuànjī)模拟和人工智能，我们可以更精准地(dì)预测和优化蛋白质结构，让它们更稳定、更高效地完成目标任务。

最近科学家通过(tōngguò) AI 设计(shèjì)“抗蛇毒蛋白”，仅用几秒钟就可以完成人类百年抗蛇毒的问题。

“慢”！“贵(guì)”！“难”！

据 WHO 统计，全世界每年有 540 万人被蛇咬伤(shéyǎoshāng)，约 13 万人死于蛇咬伤，因蛇咬伤截肢等造成残疾的人数大约是(shì) 39 万人。蛇毒中的毒性成分进入(jìnrù)人体后，会迅速(xùnsù)对人体的神经系统、心血管系统、凝血系统以及各类细胞等造成损伤。

全世界每年(měinián)约有 540 万人被蛇咬伤。图库版权图片，转载使用可能引发(yǐnfā)版权纠纷

正常情况下，免疫(miǎnyì)系统对于曾经接触过的(de)病原体能快速做出反应，但绝大多数人在被蛇咬之前并没有接触过蛇毒(shédú)。所以，被蛇咬后人体自身的免疫防御很难马上起效，往往需要(xūyào)借助外部的抗蛇毒血清等治疗手段来尽快中和蛇毒，避免蛇毒对身体造成更严重的伤害。

然而，世界上许多地区都存在严重的抗(kàng)蛇毒血清不足。

首先，需要从毒蛇体内提取出毒液，再将少量毒液注射到马或羊等动物的体内，诱导(yòudǎo)免疫反应的产生(chǎnshēng)。经过多次免疫后，再从动物体内采集血液(xuèyè)，分离出血清，即可获得有效的抗蛇毒血清。

一套流程下来(xiàlái)，耗时数月，成本高昂，同时不同地区的蛇种不同，毒液成分差异大，传统血清(xuèqīng)难以覆盖所有蛇毒。

传统(chuántǒng)的抗蛇毒血清制备过程。图片来源：参考文献[1]

AI 出手，抗(kàng)蛇毒血清更加有效

近年来，针对传统抗蛇毒血清制备(zhìbèi)方法的改进研究取得了显著进展，尤其是人工智能（AI）与计算机辅助(jìsuànjīfǔzhù)设计技术的融合(rónghé)为抗蛇毒血清研发带来了新的突破。

2025 年，美国华盛顿大学蛋白质设计研究所的 David Baker 团队(tuánduì)在《自然》（Nature）杂志(zázhì)发表重磅研究。

他们开发的 RFdiffusion 深度学习(xuéxí)方法，可以模拟出对一种广泛存在于蛇毒中(zhōng)的小型蛋白毒素——三指毒素，具有高亲和力和高特异性的结合蛋白。另外，通过计算设计出的抗蛇毒蛋白具有高热稳定性，可通过微生物发酵(fājiào)策略(cèlüè)大规模生产，和传统血清制备技术(jìshù)比起来，极大地降低了生成成本。

发表在《自然》杂志上的(de)研究。图片来源：参考文献[3]

RFdiffusion 可以生成具有(jùyǒu)特定功能的蛋白质结构，其工作原理可以分为(fēnwéi)几个部分：

数据训练：通过分析大量已知蛋白质结构，模型掌握了蛋白质形成(xíngchéng)的(de)规律。

结构生成：从随机初始化的蛋白质状态出发(chūfā)，逐步(zhúbù)调整氨基酸残基的位置，最终生成稳定的三维结构。

功能优化：通过多轮生成与优化，模型逐步(zhúbù)调整蛋白质原子的(de)位置，使其从最初的无序状态演化为符合生物学规律的稳定构象。

Diffusion 模型的蛋白设计过程。图片来源(láiyuán)：参考文献(cānkǎowénxiàn)[2]

研究以(yǐ) α-眼镜蛇毒素和 IA 型细胞毒素为例，这(zhè)两种毒素均属于三指毒素，其分子结构(fēnzǐjiégòu)就像三只手指一样从中央的核心区域(qūyù)伸展出来，但它们的长度、氨基酸构成和空间构象都不同，导致毒性机制和引发症状各异。

α-眼镜蛇毒素：主要作用于神经系统，阻断(zǔduàn)神经信号传递，导致肌肉(jīròu)麻痹。

IA 型(xíng)细胞毒素：通过与细胞膜的脂质双层(shuāngcéng)相互作用，破坏细胞膜稳定性，引发组织坏死和炎症反应。

基于人工智能的抗血清蛋白设计思路。图片来源(láiyuán)：参考文献[3]

那(nà) AI 是如何精准设计抗毒蛋白呢？

在研究(yánjiū)中，三指毒素的(de)边缘 β-链是其与受体或抗体相互作用的关键部位，其表面氨基酸决定了毒素的特异性(tèyìxìng)和亲和力。比如，α-眼镜蛇毒素的边缘 β-链结构，能精准结合人体烟碱型乙酰胆碱受体，阻断神经信号传递(chuándì)。

研究(yánjiū)团队采用“分子互补”策略，以 α-神经毒素和(hé) IA 型细胞毒素为目标毒素，使用 RFdiffusion 模型为目标毒素的边缘 β-链设计出几何互补的 β-链蛋白，通过(tōngguò)空间位阻阻止毒素与受体结合，这就像给一半残缺的镜子，通过科学(kēxué)手段(shǒuduàn)做成互补的另一半。

具体来说，研究团队将(jiāng)目标毒素(dúsù)的晶体结构输入(shūrù) RFdiffusion 模型，模型依据输入信息和学习到的蛋白质(dànbáizhì)结构规律，调整氨基酸残基的排列，促使(cùshǐ)生成的结构朝着与目标毒素 β-链互补匹配，并形成稳定的 β-折叠的方向发展，最终构建出与目标毒素互补结合的蛋白质骨干结构。

这种设计使抗毒蛋白(dànbái)能紧密结合毒素，阻断其(qí)与生理受体的相互作用，从而中和毒性。

人工智能设计的抗血清蛋白的实验(shíyàn)性能表征。图片(túpiàn)来源：参考文献[3]

我们上面提到过，蛋白质(dànbáizhì)的功能依赖于其特定的三维结构，而(ér)高温会破坏其内部的氢键、范德华力等分子间作用力，导致(dǎozhì)蛋白质变性，如鸡蛋加热后凝固。

与传统抗体相比，AI 设计的(de)抗毒蛋白展现出卓越(zhuóyuè)的热稳定性：耐受 78°C 以上高温，远超传统抗体的耐热极限。常温下长期稳定，减少对冷链运输和储存的依赖，尤其(yóuqí)适合热带地区使用。

从理论(lǐlùn)奠基到 AI 革命

蛋白质设计领域经历(jīnglì)了从理论萌芽到人工智能驱动的跨越式(kuàyuèshì)发展，这一历程堪称现代生物技术的典范。

20 世纪中期，Christian Anfinsen 提出的"氨基酸序列(xùliè)决定蛋白质三维(sānwéi)结构"假说，为计算蛋白质设计奠定了理论基础。随着计算方法的进步，Rosetta 软件(ruǎnjiàn)的问世标志(biāozhì)着蛋白质工程进入新纪元(xīnjìyuán)，该工具使科学家能够在计算机上预测并设计稳定的蛋白质结构。

2003 年，David Baker 团队在《科学》（Science）杂志发表的(de) Top 7 蛋白研究具有里程碑意义，完全人工设计的蛋白质（98 个(gè)氨基酸），并且在自然界中(zhōng)没有(méiyǒu)同源蛋白。这项突破首次证明计算方法可以设计具有稳定折叠(zhédié)结构的蛋白质，为从头重新蛋白质设计奠定了基础。

人工智能的(de)引入彻底改变了蛋白质(dànbáizhì)(dànbáizhì)设计领域。2020 年，DeepMind 公司的 AlphaFold 2 在蛋白质结构(jiégòu)预测(yùcè)领域取得历史性突破，通过深度学习精确(jīngquè)预测蛋白质结构，在 CASP 14 竞赛中达到了接近实验的精度。随后，Meta AI 的 ESMFold 进一步加速了蛋白质结构预测，实现未知蛋白质的大规模解析，为蛋白质设计提供更丰富的数据基础(jīchǔ)。同时，生成式 AI 的引入带来质的飞跃，RFdiffusion 实现从头设计功能性蛋白质，大幅提高了蛋白质工程的可塑性(kěsùxìng)和效率。

2023 年，David Baker 团队再创佳绩，进一步推进人工智能在蛋白质设计领域的(de)应用，开发了(le)一种基于深度学习的 AI 算法，成功从头设计出(chū)一种具有高催化活性和高底物特异性的人造荧光素酶(yíngguāngsùméi)。这是首次(shǒucì)完全依赖 AI 生成全新酶类蛋白，标志着人工智能驱动的蛋白质设计从结构预测迈向功能设计的关键(guānjiàn)转折点。

2024 年，瑞典皇家科学院将诺贝尔化学奖授予 David Baker，表彰(biǎozhāng)其(qí)在(zài)计算(jìsuàn)蛋白质(dànbáizhì)设计方面的贡献，并将另一半授予 Demis Hassabis和 John M. Jumper，以表彰他们在蛋白质结构预测方面的突破。这一殊荣不仅是对个人成就的肯定，更是对整个蛋白质设计领域的认可，彰显了计算生物学(shēngwùxué)在现代科学中的核心地位。

AI 蛋白质设计正在突破(tūpò)传统方法(fāngfǎ)的(de)(de)局限，大幅拓展蛋白质发现的边界。与依赖天然模板或随机突变的传统方法相比，AI 技术能够突破进化限制，快速生成具有全新功能的蛋白质，如人工酶、智能生物材料等。通过深度学习和生成模型的结合，AI 将蛋白质筛选与优化(yōuhuà)流程从传统方法所需的数月时间，大幅缩短至数小时或数周。

在(zài)医疗(yīliáo)应用方面，AI 蛋白质设计展现出广阔前景。除了前文提到的抗蛇毒血清外(wài)，这项技术还可开发抗菌、抗病毒蛋白及靶向降解工具，助力耐药性疾病和神经退行性疾病治疗。

未来，AI 蛋白质设计与自动化实验技术的结合将带来更多突破。这种融合将加速蛋白质功能优化过程(guòchéng)，推动合成生命系统的构建，为精准医疗、绿色能源和合成生物学(shēngwùxué)等领域带来革命性进展(jìnzhǎn)。

作者丨(gǔn)Denovo团队