AI 从头设计酶：AlphaProtein Novo 把「生成」接上了「实验」

蛋白质 AI 这几年换了几次主角。先是 AlphaFold 把"预测结构"这件事做到近乎可用，接着业界把野心推到更前面一档：不预测了，直接设计。Google DeepMind 近期发布的 AlphaProtein Novo，走的正是 de novo（从零）酶设计这条路，而它反复强调的卖点，是把"生成"和"实验验证"接在了一起。

这句话听着平淡，落到这个领域里分量不轻。做蛋白生成，模型在电脑里"画"出一条序列、折出一个结构，技术上已经有不少进展；真正卡住大家的，是实验闭环。设计出来的分子到底成不成立、能不能在试管里折叠、有没有想要的催化活性，这些答案不在显卡里，在湿实验台上。能把生成物真的拿去做实验、再用实验结果回头修正模型，是这个方向公认的硬骨头。

AlphaProtein Novo 把"生成接上实验"当作核心叙事，指向的正是这块短板。具体它如何组织这条链路、在哪些酶类别上做了验证，目前能依据的公开材料有限；据研究团队称，重点不在于又多画出了几个结构，而在于让设计不再停留在屏幕里，而是被送到实验环节去接受检验，再形成反馈。

图1：生成式酶设计将计算产物送入实验验证、再以结果反哺模型的闭环示意。

把时间线拉长是看清这件事的另一种方式。早年的蛋白 AI 解决的是"已知序列长什么样"——输入一段氨基酸，输出一个结构。后来问题变成"我想要这个功能，序列该长什么样"，这就迈进了生成式设计的领地。酶的吸引力尤其大：工业催化、医药合成、环境降解，处处都缺便宜又专一的催化剂。可越是实用，越绕不开一个事实——算得漂亮不等于做得出来。

正因为如此，"实验闭环"才被反复提起。一个设计若只在计算指标上好看，离真实应用还差着好几道关：表达是否稳定、催化效率够不够、在复杂体系里是否还管用。闭环的意义，是让每一轮失败都变成训练信号，而不是一堆散落的否定结果。

有一点必须讲清楚：AlphaProtein Novo 目前仍处在 preprint（bioRxiv）阶段的研究进展，还不是经过同行评议定稿的工作。把它理解成"已经能商用设计酶"，是明显的误读。商业酶开发后面还排着一长串环节——大量验证、制造与分析方法开发、安全评估、监管申报，每一步都不比模型本身轻松。

这一限制不是针对某一家，而是整个"AI 设计生物分子"领域的共同处境。预印本先把方向摆上台面，好处是让同行早点看到思路、早点跟进或证伪；代价是结论的成色要等评审和复现来定。对读这篇进展的人来说，合理的预期是：它展示了一条值得关注的技术路线，而不是一张已经兑现的成绩单。

从 AlphaFold 到 AlphaProtein Novo，蛋白质 AI 的主线其实很清晰——从读懂自然，到尝试改写自然。能走到哪一步，取决于实验闭环被填实了多少，而不只看模型发布会上的演示有多顺。这个领域的下一程，大概率要在湿实验台和服务器之间反复折返。

关联推荐

• AI 翻遍 2.14 亿个蛋白质形状，捞出人体中一个"隐形"蛋白 TM184C — 大规模结构搜索还能挖出什么。
• 不抄病毒：AI 从零搭出一个核糖核酸（RNA）快递盒 — 另一条从零设计生物分子的路径。

参考来源：Google DeepMind 在 GitHub 的发布主页；AlphaProtein Novo 项目主页 与 bioRxiv 预印本。