10 月 5 日，Google DeepMind 研究副总裁 Pushmeet Kohli 在 X 上宣布：团队发布生成式酶设计系统 AlphaProtein Novo（下称 AP Novo），两篇 bioRxiv 预印本与 GitHub 代码库同天上线。这套系统设计的酶能在 90°C 下高效降解环境毒素 DEHP，但耐高温只是这个故事里最小的一部分。
过去几年，DeepMind 的蛋白质 AI 走了三步：AlphaFold 预测结构，是"读"；AlphaProteo 设计结合蛋白，是"写"的一半；酶催化化学反应，要求蛋白质主动改造另一个分子，难度最高。AP Novo 是 DeepMind 第一次把生成式 AI 对准催化，从读结构、写结合到造催化，蛋白质 AI 完成了三级跳。但催化这块骨头为什么最难啃？
先造"催化心脏"，再长蛋白质的身体
酶的催化依赖几个关键原子在三维空间中的精确排布，位置差 1 埃，活性可能归零。AP Novo 的策略类似先造发动机再造车：给定一个"催化 motif"——几个催化残基加一个反应过渡态类似物——扩散模型围绕它生成完整的蛋白质骨架与序列。这个思路与 RFdiffusion 的 motif scaffolding 一脉相承，但条件从"结合位点"换成了"催化反应"。
AP Novo 管线：催化 motif 经扩散模型生成骨架与序列，再经多轮过滤进入湿实验（图源：Wu et al., bioRxiv 2026）
生成只是起点，筛选才是胜负手。每个候选设计要过三道筛子：LigandMPNN 重设计序列，特化版 AlphaFold 3（AF3-LA，能处理共价中间体的离去原子）预测结构，再按催化几何指标打分。筛子本身都是熟面孔，但真正拉开命中率差距的是一种新策略：ensemble scoring。
做法像让考生参加多次模拟考：同一个骨架生成 10 条不同序列，每条序列用多个随机种子重复预测结构，稳定高分的才进考场。回顾性分析中，这把 Kemp 消除酶的命中率从 29% 拉高到 45%，丝氨酸酯酶从 5% 拉到 15%。 但回顾性数字可能自欺欺人，所以团队做了前瞻验证：丝氨酸酯酶的命中率同样从 10% 提升到 44%。
Ensemble scoring：同一骨架的多条序列与多种子结构预测共同投票，命中率显著提升（图源：Wu et al., bioRxiv 2026）
两个基准反应刷到 SOTA，但最好的一个"长得像天然"
Kemp 消除反应是酶设计界的公开考题。2008 年 Röthlisberger 等人首次用计算方法设计出催化它的酶，速率增强只有 10⁵ 量级；去年 6 月，Fleishman 组在 Nature 报出 12,700 M⁻¹s⁻¹ 的纪录，但骨架拼装自天然蛋白片段。AP Novo 换了更难的玩法：1,536 个与任何天然蛋白都不像的全新骨架，七轮迭代，命中率从 3% 爬到 34%。
最佳设计 GDM_KE_1483 在 pH 7.5 下 kcat/Km 达 14,600 ± 1,100 M⁻¹s⁻¹，比此前最好的全新骨架设计高出 70 倍；pH 10 下另一个设计进一步冲到 44,940 ± 220 M⁻¹s⁻¹。但要清醒：经过实验优化的设计仍比它高 10 到 100 倍。
两个基准反应的设计结果：Kemp 消除酶（左）与丝氨酸酯酶（右）的活性分布、结构与米氏动力学（图源：Wu et al., bioRxiv 2026）
丝氨酸酯酶的数字更夸张：GDM_SE_2937 的 kcat/Km 为 360,000 ± 70,000 M⁻¹s⁻¹，超过所有此前经实验迭代优化的 de novo 设计。但论文自己戳破了泡沫：这个"最佳"的拓扑与天然丝氨酸水解酶相似，模型疑似走了捷径。完全不像天然酶的最佳设计 kcat/Km 为 4,900 ± 700 M⁻¹s⁻¹，仍比前纪录高约 4 倍。
五个反应的设计产出总表：设计数量、命中率与最佳设计的催化参数（图源：Wu et al., bioRxiv 2026）
这些设计还有两个共性。所有被测设计的热稳定性 T50 超过 80°C，而人体羧酸酯酶 60°C 以上就全部失活；它们与 PDB 中最近天然蛋白的中位 TM-score 仅 0.33。超过 95% 的设计在大肠杆菌中表达良好，但表达量高不等于活性好，这正是过滤器存在的意义。
活性位点突变验证、热稳定性（T50 超 80°C）与骨架新颖性（与 PDB 最近匹配的中位 TM-score 为 0.33）（图源：Wu et al., bioRxiv 2026）
真正的新闻：为自然界没有的化学造酶
基准反应只是期中考试，AP Novo 瞄准的两个应用目标，一个在制药，一个在环保。哌啶是药物分子中常见的六元氮杂环药效团，但天然 protoglobin 酶催化 C-H 胺化时偏好生成五元环，哌啶只是副产物。
AP Novo 把选择性翻转了过来。最佳设计 GDM_NT_270 的区域选择性达 99:1，对映体过量值 94%，哌啶产物的总转化数比天然酶高出约两个数量级。这是第一次，AI 从零设计的酶在实用反应上做到了天然酶做不到的事。但 22 次转化的绝对活性，离工业应用还远。
哌啶合成：C-H 胺化反应式、设计酶 GDM_NT_121 的结构与各轮命中率（图源：Wu et al., bioRxiv 2026）
第二个目标是 DEHP，一种广泛使用的塑化剂，也是臭名昭著的环境毒素。设计酶 GDM_DEHP_376 在 23°C 下 4 小时完成 3.3 次转化，但在 90°C 下反而达到 47 次，在 75% 乙腈中浸泡 24 小时仍有 40 次——后两种条件足以让天然酯酶变性失活。
DEHP 降解：反应式、GDM_DEHP_376 的结构与不同温度、溶剂浓度下的总转化数（图源：Wu et al., bioRxiv 2026）
苯乙烯环丙烷化展示了另一个维度：91 个设计中 85% 成功结合血红素辅因子，最佳设计的非对映选择性大于 99:1，对映体过量 96%。这是一轮设计、零实验反馈拿到的结果，但环丙烷化已是 de novo 血红素蛋白的"传统强项"，说服力不如前两个目标。
苯乙烯环丙烷化：单轮设计实现大于 99:1 的非对映选择性与 96% 的对映体过量（图源：Wu et al., bioRxiv 2026）
设计画出蓝图，进化负责登顶
同天挂出的第二篇预印本，来自 Frances Arnold 的实验室与 DeepMind、匹兹堡大学的合作——Arnold 因定向进化获得 2018 年诺贝尔化学奖。这篇论文回答了一个更实际的问题：AI 设计的酶活性不够好，怎么办？答案听上去很老派：进化。但起点换成了 AI 画的蓝图。
设计-进化协同策略总览：从定向进化、de novo 设计到两者的闭环（图源：Li et al., bioRxiv 2026）
团队先玩了一招"部分扩散"：给初始设计加一点噪声再去噪，采样附近的结构空间。这把 GDM-NT-121 和 GDM-NT-151 的产率分别提高 18 倍和 15 倍，但选择性几乎不变。随后的随机突变筛选把活性再推高两个数量级：GDM-NT-399 产率 19%，GDM-NT-401 更是达到 66% 产率、大于 99:1 的选择性与 95% 的对映体过量。
从 AI 设计到定向进化：设计骨架在结构空间中远离天然血红素蛋白，N1-C5 距离指标可区分活性高低（图源：Li et al., bioRxiv 2026）
在高底物浓度下，GDM-NT-401 完成 2,600 次转化，产率 52%。它的耐热性也压过了进化来的天然酶对照：80°C 孵育一小时仍保留大部分活性，但对照酶从 60°C 就开始崩盘。
产率与选择性的跃迁：部分扩散提升 18 倍与 15 倍，进化后的 GDM-NT-401 在高底物浓度下达 2,600 次转化（图源：Li et al., bioRxiv 2026）
更有意思的是信息的反向流动。团队从进化终点酶的预测结构中提取"精制 motif"，喂回 AP Novo 重新设计，新一轮设计的活性命中率最高达 73%；而直接在旧骨架上突变同一个残基，几乎无效。设计与进化形成闭环：AI 负责画出自然界没有的蓝图，进化负责在蓝图上登顶。但闭环里藏着一个耐人寻味的发现。
研究者故意只给血红素和产物分子、不给任何蛋白质 motif，结果模型在关键位置几乎总是放回组氨酸——天然血红蛋白的标准答案。真正的"离经叛道"，比如用甲硫氨酸做轴向配体，要靠进化去发现。模型仍被训练数据的分布束缚，但这也恰好划清了设计与进化各自的地盘。
GDM-NT-401 的底物适用范围：多种取代哌啶与吡咯烷产物（图源：Li et al., bioRxiv 2026）
开源了，但有门槛
与论文同步，DeepMind 开源了 AP Novo 的完整管线代码，Apache-2.0 协议，附 6 个对应论文最佳设计的示例 campaign。一个 JSON manifest 文件就能跑通"生成、重设计、折叠、评估"四个阶段。但权重不在包里。
AP Novo 的 Quickstart：一个 manifest 跑通四阶段管线（图源：GitHub README）
生成器权重需要单独同意使用条款，还附一份禁用清单；运行管线还需要 AlphaFold 3 的权重和一张 CUDA GPU。代码自由、权重受限，已是 DeepMind 蛋白质模型的标准发布姿势——AlphaFold 3 当年也是如此。但对想复现的实验室来说，门槛真实存在。
离"按需造酶"还有多远
AP Novo 第一次证明，de novo 酶设计可以在有实际意义的化学任务上跑赢天然酶挖掘。但清单的另一面同样长：最好的 Kemp 消除酶仍比实验优化版低 10 到 100 倍；最亮的丝氨酸酯酶沾了天然拓扑的光；分布外的创造力仍待进化补位。
2008 年，第一个计算设计的 Kemp 消除酶 KE07 速率增强只有 10⁵，之后靠多轮定向进化才逼近天然酶水平。但这一次，从蓝图到登顶的闭环第一次完整跑通。问题只剩下一个：这个闭环能转多快？