部分中小银行5年期存款利率降至1.2%

传统抗蛇毒血清(xuèqīng)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(shèjìshī)”只需几秒钟的时间去定制设计一款蛋白。

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

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

如果考虑所有可能的氨基酸(ānjīsuān)排列方式，理论(lǐlùn)上，蛋白质的种类几乎是无限(wúxiàn)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(hái)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(jiǎnqiè)、翻译后修饰等机制(jīzhì)，最终(zuìzhōng)可能形成几十万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(zài)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(lìyòng)科学方法让(ràng)氨基酸以不同的(de)排列方式(fāngshì)“定制”蛋白质，使其具备特定的结构和功能。就像用不同的积木搭建出独特的模型，科学家根据需求排列组合氨基酸，从而创造新的蛋白质。借助计算机模拟和人工智能(réngōngzhìnéng)，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(kàng)蛇毒(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”！“难(nán)”！

据 WHO 统计，全世界每年有 540 万人被蛇咬伤，约 13 万人死于(yú)蛇咬伤，因蛇咬伤截肢(jiézhī)等造成残疾(cánjí)的人数大约是 39 万人。蛇毒中的毒性成分进入人体后，会(huì)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等造成损伤。

全世界每年约有 540 万人(wànrén)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(zhèngcháng)情况下，免疫系统对于曾经接触过的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。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(kàng)蛇毒血清等治疗手段来尽快中(zhōng)和蛇毒，避免蛇毒对身体造成更(gèng)严重的伤害。

然而，世界上许多地区都存在(cúnzài)严重的抗蛇毒血清不足。

首先，需要从毒蛇体内(tǐnèi)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(yǒuxiào)的抗蛇毒血清。

一套流程下来，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(fùgài)所有蛇毒。

传统的抗蛇毒血清制备过程(guòchéng)。图片来源：参考文献[1]

AI 出手，抗蛇毒血清(xuèqīng)更加有效

近年来，针对传统(chuántǒng)抗蛇毒血清制备方法的改进研究取得了显著进展，尤其是人工智能(réngōngzhìnéng)（AI）与计算机辅助设计技术的融合为抗蛇毒血清研发带来(dàilái)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 团队在《自然(zìrán)》（Nature）杂志(zázhì)发表重磅研究。

他们开发的(de) RFdiffusion 深度学习方法，可(kě)以模拟出对一种广泛存在于蛇毒中的小型蛋白毒素——三指毒素，具有高亲和力和高特异性的结合蛋白。另外，通过(tōngguò)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)策略大规模生产，和传统血清制备技术比起来，极大地降低了(le)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(tèdìng)功能的蛋白质结构，其工作原理可以分为几个部分：

数据训练：通过(tōngguò)分析大量(dàliàng)已知蛋白质结构，模型掌握了蛋白质形成的规律。

结构(jiégòu)生成：从随机初始化的(de)蛋白质状态出发，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(gōngnéng)优化：通过多轮生成与优化，模型逐步调整蛋白质(dànbáizhì)原子的位置，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(shèjì)过程。图片来源(láiyuán)：参考文献[2]

研究以(yǐ) α-眼镜蛇毒素和 IA 型细胞毒素为例，这两种毒素均属于三指毒素，其分子结构就(jiù)像三只手指一样从中央的(de)核心区域伸展(shēnzhǎn)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，阻断神经信号(xìnhào)传递，导致(dǎozhì)肌肉麻痹。

IA 型(xíng)细胞毒素：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(yǐnfā)组织坏死和炎症反应。

基于人工智能的抗血清蛋白设计(shèjì)思路。图片来源：参考文献[3]

那 AI 是(shì)如何精准设计抗毒蛋白呢？

在研究中，三指毒素的(de)边缘(biānyuán) β-链是其与受体或抗体相互作用的关键部位(guānjiànbùwèi)，其表面氨基酸决定(juédìng)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，能精准结合人体烟碱型乙酰胆碱受体，阻断神经信号传递。

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

具体来说，研究团队将目标毒素的晶体结构输入 RFdiffusion 模型(móxíng)，模型依据(yījù)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(páiliè)，促使生成的结构朝着与目标毒素 β-链互补匹配，并(bìng)形成稳定(wěndìng)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能紧密结合毒素，阻断其与生理(shēnglǐ)受体(shòutǐ)的相互作用，从而中和毒性。

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

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

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

从理论(lǐlùn)奠基到 AI 革命

蛋白质设计领域经历(jīnglì)了(le)从理论萌芽到人工智能驱动的跨越式发展，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"氨基酸序列决定蛋白质(dànbáizhì)(dànbáizhì)三维结构(jiégòu)"假说，为计算(jìsuàn)蛋白质设计奠定了理论基础。随着计算方法的进步，Rosetta 软件的问世标志着蛋白质工程进入(jìnrù)新纪元，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(nián)，David Baker 团队在《科学》（Science）杂志发表的 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(bìngqiě)在自然界中没有(méiyǒu)同源蛋白。这项(zhèxiàng)突破首次证明计算方法可以设计具有稳定折叠结构的蛋白质，为(wèi)从头重新蛋白质设计奠定了基础。

人工智能的(de)(de)(de)引入彻底改变了蛋白质设计领域。2020 年(nián)，DeepMind 公司的 AlphaFold 2 在蛋白质结构预测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(suíhòu)，Meta AI 的 ESMFold 进一步加速了蛋白质结构预测，实现(shíxiàn)未知蛋白质的大规模(dàguīmó)解析，为蛋白质设计提供更丰富的数据基础。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，大幅提高了蛋白质工程的可塑性和效率(xiàolǜ)。

2023 年，David Baker 团队再创佳绩，进一步(jìnyíbù)推进人工智能在蛋白质设计领域的应用，开发了一种基于深度(shēndù)学习的 AI 算法，成功从头设计出一种具有高(gāo)催化活性和高底物特异性的人造荧光素酶。这是首次完全依赖 AI 生成全新酶类(méilèi)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(zhuǎnzhédiǎn)。

2024 年，瑞典皇家科学院将(jiāng)诺贝尔化学奖授予(shòuyǔ) David Baker，表彰其在计算(jìsuàn)蛋白质设计方面的贡献，并(bìng)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(duì)个人成就的肯定，更是对整个蛋白质设计领域的认可(rènkě)，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(chuántǒng)方法的(de)局限，大幅拓展(tuòzhǎn)蛋白质发现(fāxiàn)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(cáiliào)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。

在医疗应用方面，AI 蛋白质设计(shèjì)展现出广阔前景。除了前文提到的抗蛇毒血清外，这项技术还可开发抗菌、抗病毒蛋白及靶向降解(jiàngjiě)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(jiāng)带来(dàilái)更多突破。这种融合将加速蛋白质功能优化过程，推动合成生命系统(xìtǒng)的构建，为精准医疗、绿色能源和合成生物学等领域带来革命性进展。

作者丨(gǔn)Denovo团队