蛋白質是生命的催化機器。從消化食物中的澱粉酶，到分解塑膠的PETase，再到編輯基因組的CRISPR-Cas9，酶（酵素）主導著生命系統中幾乎所有化學反應。然而，自然界花了數十億年進化出現有的酶，人類想要一種能降解微塑膠的新酶，或一種能精準切割特定腫瘤抗原的治療性酶，傳統方法如同大海撈針。
2025至2026年間，蛋白質語言模型（Protein Language Models, PLMs）引發了酶工程領域的根本性變革。這些基於Transformer架構的AI系統，從數億條蛋白質序列中學習「進化語法」，如今已能從無到有設計出具備催化功能的全新酶，其活性在某些案例中超越天然酶。這不僅僅是效率的提升，而是從「篩選自然界已有的」到「設計我們所需要的」的方法論革命。
AI 酶設計的技術基礎
蛋白質語言模型的核心洞察在於：蛋白質序列本質上是一種生物語言。氨基酸的排列順序決定了蛋白質如何折疊、如何與其他分子互動、以及如何催化化學反應。就像大型語言模型從文本中學習語法和語義一樣，蛋白質語言模型從大量已知蛋白質序列中學習「進化語法」。
ProGen 是這一領域的先驅之一。2023年，Salesforce Research 與加州大學舊金山分校的研究團隊發表了 ProGen 模型，展示了基於 next-token prediction 的人工酶生成能力。研究團隊利用 ProGen 生成了數百萬條全新的溶菌酶序列，其中一些酶的活性與天然溶菌酶相當，即使它們的氨基酸序列與任何已知蛋白質的相似度低於 30%。這項研究的意義在於：AI 並非在模仿自然界已有的設計，而是在學習蛋白質折疊和催化的底層物理化學原理後，進行原創性的分子設計。
2025年，這一技術路線出現了質的飛躍。華盛頓大學蛋白質設計研究所（Institute for Protein Design, IPD）的 David Baker 團隊——2024年諾貝爾化學獎得主——將深度學習與蛋白質設計管道深度整合，實現了所謂的「design-build-test-learn」閉環。2026年3月，華盛頓研究基金會（WRF）向 IPD 提供了 700 萬美元的四年期資助，專門用於加速 AI 輔助酶設計的開發，目標是建立能夠精確預測蛋白質特性的計算工具。
與此同時，CRISPR 酶工程領域也見證了類似的突破。2025年，麻省總醫院（MGH）的 Ben Kleinstiver 團隊在《自然》期刊發表研究，將高通量蛋白工程與機器學習結合，創建了自定義的 CRISPR-Cas9 酶，其 PAM（原型間隔相鄰基序）識別能力被大幅擴展。傳統 Cas9 只能識別 NGG 序列，限制了可用於基因編輯的基因組位置。Kleinstiver 團隊的 AI 輔助方法不僅產生了數百種新型 Cas9 變體，還識別出具有更高特異性的版本，解決了 CRISPR 技術長期以來的脫靶問題。
從序列預測到功能設計：三條關鍵技術路線
當前 AI 酶設計領域存在三條並行的技術路線，各自有不同的優勢和適用場景。
第一條是基於進化模式的蛋白質語言模型（PLM），以 ProGen、ESM-2（Meta）、ProtGPT2 等為代表。這些模型在大規模未標註蛋白質序列數據集上進行自監督預訓練，學習氨基酸的共現模式和進化約束。模型生成的序列通常保留了天然蛋白質的折疊能力和熱穩定性，因為模型隱式地學習了蛋白質結構的物理化學約束。這一方法最適合定向進化的起點生成——為實驗篩選提供高質量的初始序列庫。
第二條是基於結構的深度學習設計，以 ProteinMPNN、RFdiffusion 為代表。這些模型以目標蛋白質主鏈結構為輸入，預測最適合填充該結構的氨基酸序列。ProteinMPNN 在 2022 年由 Baker 團隊發表，其逆向折疊（inverse folding）能力在蛋白質設計的準確率上遠超傳統的 Rosetta 方法。2024 至 2025 年間，RFdiffusion 進一步將擴散模型引入蛋白質骨架生成，使研究人員能夠為特定功能需求（如結合特定小分子）從零開始設計蛋白質骨架。
第三條是基於功能驅動的端到端生成，這是最新也是最具野心的路線。它跳過了「先設計結構、再評估功能」的兩步過程，直接將催化功能要求映射到氨基酸序列。這一方法依賴於大規模的酶功能數據集（包括活性、選擇性、熱穩定性等指標）和更複雜的多任務學習架構。雖然目前這一方法的成功率仍低於前兩條路線，但它代表了酶設計的理想方向——告訴 AI「我需要一種能在 80 攝氏度下分解 PET 塑料的酶」，然後 AI 直接輸出對應的序列。
2026 年實際應用案例
AI 設計的酶已經走出計算機模擬，進入實驗室驗證和實際應用階段。
在醫療領域，AI 設計的治療性酶正逐步進入臨床前評估。傳統的酶替代療法面臨的核心挑戰是：天然人體酶在體外的穩定性差、半衰期短、免疫原性高。AI 設計工具正在從三個方向解決這些問題：通過計算優化酶的表面電荷分布以降低免疫原性、改造折疊路徑以提高熱穩定性，以及引入非天然氨基酸以延長體內半衰期。
在工業生物技術領域，PET 塑膠降解酶的 AI 優化是進展最快的案例之一。2022 年發現的 FAST-PETase（一種經過計算優化的 PET 降解酶）已經過多輪 AI 輔助進化，其在 50 攝氏度下降解 PET 的速率比初始版本提升了超過 100 倍。2025 至 2026 年間，日本團隊和法國 Carbios 公司分別報告了 AI 設計的 PETase 變體在工業規模產線中的初步驗證結果，降解率超過 90%。
在農業領域，AI 被用於設計更高效的纖維素酶，用於將農業廢棄物轉化為生質燃料。傳統纖維素酶的成本是纖維素乙醇商業化的主要障礙之一。2025 年，丹麥技術大學（DTU）的團隊利用蛋白質語言模型重新設計了纖維素酶的活性位點，使催化效率提升了 5 倍。如果這一技術實現工業化，生質燃料的生產成本可能下降 30% 以上。
值得注意的是，2025 年機器學習在 CRISPR 酶工程中的應用已顯示出更廣泛的潛力。前述 MGH 團隊的方法學不僅適用於 Cas9，還能推廣到其他 CRISPR 效應器（如 Cas12、Cas13），這意味著 AI 輔助的酶設計正在成為基因編輯工具開發的標準方法。
競爭格局：誰在定義這一新興領域？
AI 酶設計領域的競爭格局可以分為學術先驅、大型科技公司和專業初創企業三個層次。
在學術界，華盛頓大學的 Baker 團隊無疑是龍頭。IPD 在蛋白質設計的每個技術節點——從 RoseTTAFold（結構預測）到 ProteinMPNN（序列設計）再到 RFdiffusion（骨架生成）——都保持著世界領先地位。700 萬美元的 WRF 資助鞏固了其在治療性酶和傳感器設計方面的優勢。Baker 本人作為諾貝爾獎得主，其研究團隊的影響力和資源獲取能力在蛋白質設計領域無人能及。
在大型科技公司方面，Meta（ESM-2/ESM-3)和 Google DeepMind（AlphaFold3）各自擁有強大的基礎模型。ESM-3 在 2024 年展示了令人印象深刻的多模態蛋白質生成能力——它不僅能生成序列，還能同時控制結構和功能。DeepMind 的 AlphaFold3 將預測能力從靜態結構擴展到蛋白質與小分子、核酸的相互作用，為基於結構的酶設計提供了前所未有精確度的輸入數據。然而，這些科技巨頭目前更傾向於將模型作為平台提供，而非直接參與酶產品的開發。
初創企業方面，多家專業公司正在填補從計算設計到商業產品之間的鴻溝。EvolutionaryScale（開發 ESM3）、Profluent、Cradle Bio 等公司正在將 AI 蛋白質設計從研究工具轉變為藥物開發平台。2025 至 2026 年間，這些公司陸續與大型製藥和化工企業建立了合作關係，標誌著 AI 設計的酶正在進入真實的產品管線。
未來展望：酶設計的 ChatGPT 時刻何時到來？
儘管 AI 酶設計取得了令人振奮的進展，這一領域仍面臨重大挑戰。
第一個挑戰是數據稀疏性。與文本或圖像不同，蛋白質功能數據（催化速率 kcat、米氏常數 Km、最適溫度、pH 穩定性等）來自昂貴且耗時的實驗測量，數據量遠小於典型的 AI 訓練集。現有數據庫中的酶功能參數覆蓋率不到已知序列的 0.01%。沒有足夠高質量的功能標籤，AI 模型在「設計具有特定催化特性的酶」方面的預測能力仍然有限。
第二個挑戰是泛化能力的邊界。當前 AI 模型在設計與已知蛋白質結構相似的酶方面表現出色，但在設計全新的催化機制——也就是自然界從未嘗試過的化學反應路徑——時，可靠性大幅下降。這限制了 AI 酶設計在創造真正新型化學反應方面的應用。
第三個挑戰是實驗驗證的瓶頸。即使 AI 設計出數百萬條潛在的候選序列，實驗驗證（基因合成、蛋白表達、純化、活性測定）仍然是一個昂貴且低通量的步驟。儘管高通量實驗技術（如自動化液體處理、質譜篩選、微流控）正在進步，但實驗驗證的速度仍然落後於計算生成速度數個數量級。
然而，這些挑戰並不減損 AI 酶設計的結構性意義。正如大型語言模型在文本生成領域的「擴展定律」（scaling laws）所示，隨著計算資源、模型規模和訓練數據的增長，模型能力呈現可預測的提升。蛋白質語言模型正在沿著類似的軌跡發展。2025 至 2026 年間，ESM-3 等模型已經達到 98 億參數，訓練數據包括 7.71 億條蛋白質序列和 3.3 億個摺疊預測。隨著參數規模的進一步增加和功能標籤數據的積累，AI 在酶設計領域的精準度預計將持續提升。
從 POC.HK 觀測站的角度來看，AI 酶設計不僅僅是一個生物技術進步，它代表了一個更深層次的轉變：人類正在從通過進化篩選發現生物功能，轉向通過計算理解生物原理後進行理性創造。這種從「發現」到「設計」的範式轉移，將在未來十年逐步重塑製藥、材料科學、化學製造和農業等多個行業。
最值得關注的信號是：2025 至 2026 年間，AI 設計的酶首次從學術論文進入工業試點和臨床前管線。並非所有這些產品都會成功，但哪怕只有少數幾種 AI 設計的酶最終通過臨床驗證或工業規模測試，也將徹底改變蛋白質工程的經濟學和時間線。這個領域的「ChatGPT 時刻」——當 AI 設計的酶在實際應用中首次證明優於傳統方法篩選的酶——可能在 2027 至 2028 年間到來。
免責聲明：本文所載資料僅供參考，不構成任何投資建議或商業決策依據。數據及時間資訊以發布當日為準，可能隨後續發展而有所變動。作者及POC.HK不對因使用本文資訊而導致的任何損失承擔責任。