部分中小银行5年期存款利率降至1.2%

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

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

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

如果考虑所有可能的氨基酸排列方式，理论上，蛋白质(dànbáizhì)的种类几乎是无限的。仅 100 个氨基酸的链条，就(jiù)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(tāmen)都由(yóu) 20 种基本氨基酸按照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(jīzhì)，最终(zuìzhōng)可能(kěnéng)形成几十万(jǐshíwàn)种功能各异的蛋白质。不同物种、不同细胞类型甚至相同细胞在不同状态下，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(de)排列方式“定制”蛋白质，使其(qí)具备特定的结构(jiégòu)和功能。就像用不同的积木搭建出独特(dútè)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。借助计算机模拟和人工智能，我们可以更精准地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 AI 设计“抗蛇毒(shédú)(shédú)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，约 13 万人死于蛇咬伤，因蛇咬伤截肢等造成(zàochéng)残疾的人数大约是 39 万人。蛇毒中的毒性成分进入人体(réntǐ)后(hòu)，会迅速对人体的神经系统、心血管系统、凝血系统以及各类细胞(xìbāo)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(shǐyòng)可能引发版权纠纷

正常情况下，免疫系统对于曾经接触过的病原体(bìngyuántǐ)能快速做出反应，但绝大多数人(rén)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，往往需要借助外部的抗蛇毒血清等治疗手段来尽快(jǐnkuài)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蛇毒血清不足(bùzú)。

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

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

传统的抗(kàng)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(xuèqīng)制备方法的改进研究取得了(le)显著进展，尤其是人工智能（AI）与(yǔ)计算机辅助设计技术的融合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(dànbáizhì)设计研究所的 David Baker 团队在(zài)《自然》（Nature）杂志发表重磅研究。

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

发表在《自然》杂志上(shàng)的研究。图片来源：参考文献[3]

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

数据训练：通过分析大量已知蛋白质(dànbáizhì)结构，模型掌握(zhǎngwò)了蛋白质形成的规律。

结构(jiégòu)生成：从随机初始化的蛋白质状态出发(chūfā)，逐步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)调整蛋白质原子的位置(wèizhì)，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(móxíng)的蛋白设计过程。图片来源：参考文献(cānkǎowénxiàn)[2]

研究以 α-眼镜蛇毒素(dúsù)和 IA 型细胞毒素为例，这两种毒素均属于(shǔyú)三指(sānzhǐ)毒素，其分子结构就像三只手指一样从中央的核心区域伸展出来，但它们的长度、氨基酸构成(gòuchéng)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(yǎnjìngshé)毒素：主要作用于神经系统(shénjīngxìtǒng)，阻断神经信号传递，导致肌肉麻痹。

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

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

那 AI 是如何精准设计抗毒蛋白(dànbái)呢？

在研究(yánjiū)中，三指毒素的边缘 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和亲和力。比如，α-眼镜蛇毒素的边缘 β-链结构，能精准(jīngzhǔn)结合人体(réntǐ)烟碱(yānjiǎn)型乙酰胆碱受体，阻断神经信号传递。

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

具体来说，研究团队将目标(mùbiāo)毒素的(de)晶体结构(jiégòu)输入 RFdiffusion 模型，模型依据输入信息和学习到的蛋白质结构规律，调整氨基酸残基的排列，促使生成的结构朝着(cháozhe)与目标毒素 β-链互补匹配，并形成稳定的 β-折叠(zhédié)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能(néng)紧密结合毒素，阻断其与生理受体的(de)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性能(xìngnéng)表征。图片来源：参考文献(cānkǎowénxiàn)[3]

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

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

从理论奠基到 AI 革命(gémìng)

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

20 世纪中期，Christian Anfinsen 提出的"氨基酸序列决定蛋白质(dànbáizhì)三维结构"假说，为计算蛋白质设计奠定了理论基础。随着(suízhe)计算方法的进步，Rosetta 软件的问世标志着蛋白质工程进入新纪元，该工具(gōngjù)使(shǐ)科学家能够在计算机(jìsuànjī)上预测并设计稳定的蛋白质结构。

2003 年，David Baker 团队在《科学(kēxué)》（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 个氨基酸），并且在自然界中没有同源蛋白。这项突破首次(shǒucì)证明计算方法(jìsuànfāngfǎ)可以(kěyǐ)设计具有稳定折叠结构的蛋白质，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(chèdǐgǎibiàn)了(le)蛋白质设计领域。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(jiěxī)，为蛋白质设计提供更(gèng)丰富的数据基础。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(dàfútígāo)了蛋白质工程的可塑性和效率。

2023 年，David Baker 团队再创佳绩，进一步推进人工智能在(zài)蛋白质设计领域的应用，开发了一种基于深度学习的 AI 算法，成功从头设计出一种具有高催化活性(cuīhuàhuóxìng)和高底物特异性的人造(rénzào)荧光素酶。这是首次完全依赖(yīlài) AI 生成(shēngchéng)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(yùcè)迈向功能设计的关键转折点。

2024 年，瑞典皇家科学院将诺贝尔化学奖授予 David Baker，表彰其在(zài)计算蛋白质设计(shèjì)方面(fāngmiàn)的贡献，并(bìng)将另一半授予 Demis Hassabis和 John M. Jumper，以(yǐ)表彰他们在蛋白质结构预测方面的突破。这一(zhèyī)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，彰显了计算生物学在现代科学中的核心地位。

AI 蛋白质设计正在突破传统方法的(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(xiāngbǐ)，AI 技术能够突破进化限制，快速生成(shēngchéng)具有全新功能的蛋白质，如人工酶(méi)、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(shùzhōu)。

在医疗应用方面，AI 蛋白(dànbái)质设计展现出广阔前景。除了前文提到的抗蛇毒血清外，这项技术(jìshù)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(jíbìng)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(gèng)多突破。这种融合将加速蛋白质功能优化过程，推动合成生命系统的构建，为精准(jīngzhǔn)医疗、绿色能源和合成生物学(shēngwùxué)等领域带来革命性进展。

作者(zuòzhě)丨Denovo团队