部分中小银行5年期存款利率降至1.2%

传统抗蛇毒血清需要数月时间，依赖(yīlài)动物免疫，而(ér)如今，诺奖团队开发的(de) AI“蛋白质设计师”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(de)耐热性突破 78℃、成本直降 90%，更预示着人类正式进入“AI 造药”新(xīn)时代。

蛋白质是生命活动(huódòng)的“全能选手”，从细胞结构到免疫防御，全靠它“撑场子(chǎngzi)”。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(de)氨基酸排列方式(fāngshì)，理论上，蛋白质(dànbáizhì)的种类(zhǒnglèi)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(děng)机制，最终可能(kěnéng)形成几十万种功能各异的蛋白质。不同物种(wùzhǒng)、不同细胞(xìbāo)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(dànbáizhì)设计就是利用科学方法让(ràng)氨基酸(ānjīsuān)以不同的排列方式“定制”蛋白质，使其具备特定的结构(jiégòu)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，我们可以更精准(jīngzhǔn)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)蛇毒蛋白(dànbái)”，仅用几秒钟就可以完成人类百年抗蛇毒的问题。

“慢(màn)”！“贵”！“难”！

据 WHO 统计，全世界每年有 540 万人(wànrén)被蛇咬伤，约 13 万人死于蛇咬伤，因蛇咬伤截肢(jiézhī)等造成残疾的人数大约是 39 万人。蛇毒中的毒性(dúxìng)成分进入人体后，会迅速对人体的神经系统(shénjīngxìtǒng)、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 万人被蛇咬伤。图库版权图片，转载使用(shǐyòng)可能引发(yǐnfā)版权纠纷

正常情况(qíngkuàng)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(shé)咬(yǎo)之前并没有(méiyǒu)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(tǐnèi)提取出毒液，再将少量(shǎoliàng)毒液注射到马或(huò)羊等动物的体内，诱导免疫反应的产生。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。

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

传统的抗蛇毒血清制备(zhìbèi)过程。图片来源：参考文献[1]

AI 出手，抗蛇毒(shédú)血清更加有效

近年来，针对(zhēnduì)传统抗蛇毒血清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）与计算机辅助设计(shèjì)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设计研究所的 David Baker 团队在(zài)《自然》（Nature）杂志(zázhì)发表重磅研究。

他们开发的 RFdiffusion 深度(shēndù)学习方法(fāngfǎ)，可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(jiéhé)蛋白。另外，通过计算设计出的抗蛇毒蛋白具有高热稳定性，可通过微生物发酵策略大规模生产，和传统血清制备技术比起来，极大地降低(jiàngdī)了生成成本(chéngběn)。

发表在《自然》杂志上的研究。图片来源(láiyuán)：参考文献[3]

RFdiffusion 可以(kěyǐ)生成具有特定功能的蛋白质结构，其(qí)工作原理可以分为几个部分：

数据训练：通过分析(fēnxī)大量已知(yǐzhī)蛋白质结构，模型掌握了蛋白质形成的规律。

结构生成：从随机初始化的(de)(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。

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

Diffusion 模型的蛋白(dànbái)设计(shèjì)过程。图片来源：参考文献[2]

研究以 α-眼镜蛇毒素和(hé) IA 型细胞毒素为例，这两种(liǎngzhǒng)毒素均属于三指毒素，其分子结构就像(xiàng)三只手指(shǒuzhǐ)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(yú)神经系统，阻断神经信号(xìnhào)传递，导致肌肉麻痹。

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

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？

在研究中，三指毒素的(de)边缘 β-链是其(qí)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(jiéhé)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“分子互补(hùbǔ)”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-链设计出几何(jǐhé)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(cánquē)的镜子，通过科学手段做成互补的另一半(lìngyíbàn)。

具体来说，研究(yánjiū)团队将目标毒素的(de)晶体结构输入 RFdiffusion 模型(móxíng)，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(cánjī)的排列，促使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能紧密结合毒素(dúsù)，阻断其与生理受体的相互作用(xiānghùzuòyòng)，从而中和毒性。

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

我们上面提到过，蛋白质(dànbáizhì)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，如鸡蛋加热后凝固。

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 78°C 以上(yǐshàng)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(yùnshū)和储存的依赖，尤其适合热带地区使用。

从理论奠基(diànjī)到 AI 革命

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

20 世纪(shìjì)中期，Christian Anfinsen 提出的"氨基酸序列决定(juédìng)蛋白质三维结构"假说，为计算蛋白质设计奠定了理论基础。随着计算方法(jìsuànfāngfǎ)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(zài)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 Top 7 蛋白(dànbái)研究具有里程碑意义(yìyì)，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。这项突破首次证明(zhèngmíng)计算方法可以设计具有稳定(wěndìng)折叠结构的蛋白质，为从头重新蛋白质设计奠定了(le)基础。

人工智能的引入彻底改变了(le)蛋白质(dànbáizhì)设计领域。2020 年，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(dádào)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(gèng)丰富的数据基础。同时，生成式 AI 的引入带来(dàilái)质的飞跃(fēiyuè)，RFdiffusion 实现从头(cóngtóu)设计功能性蛋白质，大幅提高了蛋白质工程(gōngchéng)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蛋白(dànbái)质设计领域的应用，开发了一种基于深度学习的 AI 算法(suànfǎ)，成功从头设计出一种具有(jùyǒu)高催化活性和高底物(dǐwù)特异性(tèyìxìng)的人造荧光素酶。这是首次完全依赖 AI 生成全新酶类蛋白，标志着人工智能驱动的蛋白质(dànbáizhì)设计从结构预测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(qí)在计算蛋白质设计方面的(de)贡献，并将另一半授予 Demis Hassabis和(hé) 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(gèrén)成就的肯定(kěndìng)，更是对整个蛋白质设计领域的认可，彰显(zhāngxiǎn)了计算生物学在现代科学中的核心地位。

AI 蛋白质设计(shèjì)正在突破(tūpò)传统方法的局限，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(shēngchéng)具有(jùyǒu)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流程从传统方法所需的数月(shùyuè)时间，大幅缩短至数小时或数周。

在医疗应用方面，AI 蛋白质设计展现出广阔前(qián)景。除了前文提到的抗蛇毒血清(xuèqīng)外，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(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(jiéhé)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(héchéng)生命系统的构建，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(zuòzhě)丨Denovo团队