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(xūyào)数月时间，依赖动物(dòngwù)免疫，而如今，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(yùshì)着人类正式进入“AI 造药”新时代。

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”。虽然由 20 种氨基酸通过肽键连接形成，但(dàn)排列组合方式多到(duōdào)“爆炸”！

如果考虑所有可能的氨基酸排列方式，理论上(shàng)，蛋白质的种类几乎(jīhū)是无限的。仅(jǐn) 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(suīrán)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(zhǒng)类受基因编码的限制，例如人类基因组大约编码 2 万种(wànzhǒng)蛋白质，而通过剪切、翻译后修饰等机制，最终可能形成几十万种功能各异的蛋白质。不同(bùtóng)物种(wùzhǒng)、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氨基酸以不同(bùtóng)(bùtóng)的(de)排列方式“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(jìsuànjī)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(zuìjìn)科学家通过 AI 设计“抗(kàng)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(màn)”！“贵”！“难”！

据 WHO 统计，全世界每年有 540 万人(wànrén)被蛇咬伤，约(yuē) 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。蛇毒中的毒性成分进入人体后，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等造成损伤(sǔnshāng)。

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

正常情况下，免疫系统对于曾经接触过的病原体能快速做出反应，但绝大多数人在被蛇咬(yǎo)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(wàibù)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(zàochéng)更严重(yánzhòng)的伤害。

然而，世界上许多地区都存在严重的抗蛇毒血清(xuèqīng)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(yáng)等动物(dòngwù)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(huòdé)有效的抗蛇毒血清。

一套流程下来，耗时数月，成本高昂，同时不同(bùtóng)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。图片来源(láiyuán)：参考文献[1]

AI 出手，抗蛇毒血清更加有效(yǒuxiào)

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(jìnzhǎn)，尤其(yóuqí)是人工智能（AI）与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(nián)，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）杂志发表重磅研究。

他们开发的 RFdiffusion 深度学习方法，可以模拟出(mónǐchū)对一种广泛存在于蛇毒中的小型蛋白毒素(dúsù)——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(jìsuàn)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(jìshù)比起来，极大地降低了生成成本(chéngběn)。

发表在《自然(zìrán)》杂志上的研究。图片来源：参考文献[3]

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

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

结构生成：从随机初始化的蛋白质状态出发，逐步调整氨基酸残基的位置，最终生成稳定(wěndìng)的三维(sānwéi)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(wèizhì)，使(shǐ)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(láiyuán)：参考文献[2]

研究以 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(qí)分子结构就(jiù)像三只手指一样(yīyàng)从中央的核心(héxīn)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(dúsù)：主要作用于(yú)神经系统，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(pòhuài)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 AI 是如何精准设计抗毒(kàngdú)蛋白呢？

在(zài)研究中，三指毒素的边缘 β-链(liàn)是其与受体或抗体相互作用(xiānghùzuòyòng)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，能精准结合人体烟碱(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(shénjīngdúsù)(dúsù)和 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(dànbái)，通过空间位阻阻止毒素与受体(shòutǐ)结合，这就像给一半残缺的镜子(jìngzi)，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(de)(de)晶体结构(jiégòu)输入(shūrù) 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与目标毒素 β-链互补匹配，并形成稳定(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(qí)与(yǔ)生理受体的相互作用，从而中和毒性。

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

我们上面提到过，蛋白质的功能依赖于其特定(tèdìng)的三维结构，而高温会破坏其内部(nèibù)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)(de)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。常温下长期稳定，减少对(duì)冷链运输和储存的依赖，尤其适合热带地区使用。

从(cóng)理论奠基到 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发展，这一历程堪称现代(xiàndài)生物技术(jìshù)的典范。

20 世纪中期，Christian Anfinsen 提出(tíchū)的"氨基酸序列决定蛋白质三维结构"假说，为计算蛋白质设计奠定了理论基础。随着计算方法的进步(jìnbù)，Rosetta 软件(ruǎnjiàn)的问世标志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(shàng)预测并设计稳定的蛋白质结构。

2003 年(nián)，David Baker 团队(tuánduì)在《科学(kēxué)》（Science）杂志(zázhì)发表的 Top 7 蛋白(dànbái)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。这项突破首次证明计算方法可以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)引入彻底改变了蛋白质(zhì)设计领域(lǐngyù)。2020 年，DeepMind 公司的 AlphaFold 2 在蛋白质结构预测领域取得(qǔde)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(jìnyíbù)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。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(hé)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应用，开发了一种(yīzhǒng)(yīzhǒng)基于深度学习的 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(rénzào)荧光素酶。这是(zhèshì)首次完全依赖 AI 生成全新酶类蛋白，标志着人工智能驱动(qūdòng)的蛋白质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(biǎozhāng)(biǎozhāng)其在计算蛋白质(dànbáizhì)设计方面的贡献，并将另一半(lìngyíbàn)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(gèrén)成就的肯定，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(dànbáizhì)设计正在突破传统方法的局限(júxiàn)，大幅拓展蛋白质发现的边界。与(yǔ)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(děng)。通过深度学习和生成模型的结合，AI 将蛋白质筛选(shāixuǎn)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(qiánjǐng)。除了前文提到(tídào)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(zìdònghuà)实验技术的(de)结合将(jiāng)带来更多突破。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Denovo团队(tuánduì)