新AI系統逐原子設計蛋白質，且確實有效

一個逐原子設計蛋白質與核酸的生成式人工智慧系統，現已公布其完整藍圖，而它從零開始發明的蛋白質已在真實的實驗室反應中執行預期的化學反應。

該系統名為RFdiffusion3或RFD3，由一個國際團隊打造，成員包括美國華盛頓大學、英國牛津大學以及晶片公司Nvidia等。細節發表於《科學》期刊，中國科技媒體於10月19日流傳相關報導。團隊成員包括華盛頓大學教授David Baker，他因計算蛋白質設計的研究共同獲得2024年諾貝爾化學獎。

這項進展的關鍵在於解析度。早期的蛋白質設計工具使用較大的構建單元，像設計師在房間裡移動家具一樣安排蛋白質結構的區塊。RFD3則改為模擬個別原子，讓它能以精細得多的控制來放置每一個鍵和側鏈。據報導，它生成蛋白質結構的速度比上一代系統快約一個數量級。

這種速度和精確度之所以重要，是因為蛋白質是活細胞內執行大部分工作的分子機器。如果研究人員能按需發明新的蛋白質，他們就能針對天然蛋白質從未進化出解決能力的問題：工業化學的新催化劑、感測器、材料以及潛在藥物。

最引人注目的主張是，這不僅僅是電腦演練。RFD3新設計的蛋白質被合成並測試，它們在實際化學反應中執行了設計者預期的功能。從螢幕上的預測結構到試管中可運作的分子，這一步正是歷來大多數計算設計努力受挫之處。

該系統還擴展到蛋白質之外的核酸，如DNA和RNA，擴大了科學家可以嘗試構建的分子工具範圍。團隊公布了詳細的設計方案，以便其他團隊檢視並在此方法基礎上發展，這已成為AI驅動生物學這個快速發展領域的常見做法。

這項工作契合生命科學中更廣泛的轉變：機器學習正從分析數據轉向提出全新的分子。蛋白質設計已成為最清晰的示範之一，證明生成模型能產生自然界不存在的物體，且在真實條件下仍按預期運作。

對全球讀者而言，其意義與其說在於任何單一分子，不如說在於工具本身。一個能在原子層級勾勒蛋白質、且該勾勒在實驗室中站得住腳的系統，縮短了從想法到實驗的路徑。下一個考驗將是世界各地的實驗室能否用它設計出解決醫學和工業實際問題的蛋白質，而不只是優雅的示範。