诺奖得主Doudna再发Science：AI设计的蛋白质，跑赢了自然演化

2026 年夏天，Jennifer Doudna 团队在 Science 上发表了一篇论文，标题里藏着一个令人屏息的宣言：AI 设计的蛋白质，已经超越了自然演化。人类第一次在实验室里造出的基因编辑工具，比进化数十亿年打磨出的天然酶更高效。

当生成式 AI 遇见蛋白质工程#

蛋白质序列本质上是一种”语言”，大语言模型能否学会”写”蛋白质？Doudna 团队采用 ESM 逆折叠模型 ESM-IF1，从 TnpB 的三维结构出发，生成了大量候选序列。这些序列并非随机拼凑，而是对结构信息的深度理解。

纯粹的 AI 生成并不够。团队引入了进化信息作为约束：在漫长演化中被严格保守的位点，以及与核酸序列存在强共进化耦合的残基，被锁定为野生型不变。其余位置交给 AI 自由发挥。结构与进化信息的双重锚定，既保证了折叠稳定性，又为创新留出空间。

最终产物被命名为 SynTnpB，一种全新的人工基因编辑蛋白。它保留了天然 TnpB 的功能骨架，又在关键区域叠加了 AI 设计的改进。生成式生物学和从头设计的结合，正在打开前所未有的蛋白质可设计空间。

SynTnpB 的性能令人印象深刻。在人类细胞实验中，v1 和 v5 两个变体表现尤为突出，最高编辑率达到 50%，约为天然酶的 1.8 倍。同样条件下，AI 设计的蛋白质能更高效地完成基因编辑。

这种优势并非细胞类型依赖的。在植物细胞中，变体同样保留了编辑活性，部分甚至超越天然酶。SynTnpB 的应用潜力涵盖农业生物技术和合成生物学等更广阔的领域。

冷冻电镜结构解析揭示了 AI 设计的微观逻辑。AI 生成的残基在蛋白质多个结构域与 RNA-DNA 底物形成了新的分子接触，在不同构象状态下稳定了酶与底物的界面。进化从未尝试过的氨基酸组合，在 AI 调度下找到了功能性的排列方式。

AI 能否在蛋白质设计领域突破自然演化的天花板？答案已经清晰。自然界用了数十亿年筛选出的最优序列，AI 在数周内就找到了更优解。蛋白质工程从”模仿自然”迈入了”超越自然”的新阶段。

SynTnpB 目前仍处于细胞实验阶段，安全性评估、递送系统优化、脱靶效应控制，每一项都是横亘在实验室与真实患者之间的关卡。但 AI 蛋白质设计的加速器已经启动，工程化难题的解决只是时间问题。

当进化不再是蛋白质创新的唯一路径，生命科学的底层逻辑正在被重写。AI 不仅是蛋白质设计的辅助工具，它正在成为与自然演化并行的创造力引擎。

来源：学术头条