又一家 AI 生物公司，拿出了从头设计酶的新结果

先摆好几颗原子，再长出整台机器

可以把酶想成一台分子加工机：底物要进得来，负责反应的零件还得摆得准。Artios 从研究者给定的催化几何出发，为它生成蛋白支架。但这些化学知识仍由人提供，系统没有直接从一句反应描述里自行发现催化机制。

ArtiosBackbone 同时生成蛋白骨架和配体，并自行决定催化残基落在序列的哪些位置。但它不负责一次写完整条蛋白序列；骨架确定后，第二个模型 ArtiosPotts 再填入氨基酸。

第二步像调一组互相牵制的旋钮：换一个位置的氨基酸，会改变其他位置的合适选择。ArtiosPotts 用包含位置偏好和成对相互作用的能量函数，反复采样整条序列。但这个学习到的评分，不能直接当作催化反应的物理能垒。

它的特别之处，是能在采样时加规则，不必为每条规则重训模型。例如惩罚重复片段、调整氨基酸组成。但引导也有代价：一组组成校正实验中，AlphaFold2 通过率从 83% 降到了 79%。

“五倍提升”，究竟过了哪道关？

把催化零件摆对，底物就一定会待在旁边吗？团队展示了几种通过传统 AME 筛选、配体却在共折叠预测后远离原位置的设计。但一个能折起来的支架，仍可能缺少容纳底物的合适口袋。

因此，他们增加了一道配体位置检查：口袋对齐后，每个配体的质心偏移都须小于 3 Å。但这里测量的是 Protenix 的预测位置，不能等同于实际结合，更不能代替催化活性实验。

按正文报告的 38 个任务，Artios 在严格条件下的通过率为 6.1%，Complexa 与 RFdiffusion3 搭配 LigandMPNN 分别为 1.2% 和 0.9%。但这比较的是完整流水线，不能把差距全归给某一个模型。

Artios 自己也从传统条件下的 32.6%，降到了严格条件下的 6.1%。但这个落差恰好暴露了难点：“五倍”是特定计算筛选口径下的优势，不能换算成五倍实验命中率。

发光是真的，全面胜出还谈不上

后续荧光素酶实验覆盖 300–400 个残基的设计，45 个候选中有 9 个初筛命中，团队纯化了其中 7 个。但这轮用了更成熟的系统，无法单凭它与首轮的差异，证明长蛋白更容易设计成功。

最活跃的 ArLuc1 有 300 个残基。预测模型把发光底物 DTZ 放进一个包埋较深的口袋，周围配置了指定的催化残基。但文中的漂亮结构图仍是计算预测，研究尚未给出这些设计的实验解析结构。

同批纯化实验中，ArLuc1 的 K_M 为 3.08 μM，LuxSit 为 7.84 μM；但高底物浓度下，LuxSit 的发光信号更高。而且读数未做光子数标定，团队没有报告 ArLuc1 的 k_cat，不能据此宣称催化效率超过对照。

把指定的两个残基分别或同时改成丙氨酸，发光读数都降到了接近空白。但这组突变图采用单孔的三次读数，证据还需要更充分的独立重复；活性变化支持设计位点的重要性，尚不足以单独坐实完整机制。

能切开模型底物，离工业酶还有多远？

短链酯底物实验中，正文报告 88 个设计里有 17 个出现可检测活性。但催化几何并非凭空产生：团队从木瓜半胱氨酸水解酶结构提取关键残基，再围绕模型底物安排反应所需的位置关系。

随后，团队把底物换成带八碳酰基链的 4MU-octanoate。正文表格记录，这轮筛了 88 个设计，命中 1 个。但两轮流程也有变化，不能把命中数的差异简单归因于底物变长。

纯化后的 ArCut1 测得 k_cat/K_M 为（1.84 ± 0.20）×10³ M⁻¹s⁻¹，k_cat 约为 0.019 s⁻¹。但效率参数与周转数回答不同问题：有了可测催化能力，并不意味着已经得到高通量工业催化剂。

官网摘要使用了“cutinases”一词。但本文展示的关键底物是荧光模型酯，不能把它扩写成已经验证角质聚合物或 PET 降解。做出了能工作的酶，距离做出适合生产条件的酶，仍有一段需要实验填上的距离。

短名单变短之后，账还没有算完

序列设计还接受了单独的表达检验：七种天然骨架上，ArtiosPotts 与 LigandMPNN 各设计十条序列。但这是无细胞体系中的表达测试，不能直接外推到发酵产量或活性酶产量。

剔除缺失或无模板孔后，两组分别保留 65 条和 69 条序列，表达代理信号的中位数为 2.53×10⁶ 与 1.53×10⁶ RLU。但这约 1.6 倍的差异，只适用于该组骨架与检测条件。

本文的送测与命中数量采用正文表格，但补充材料尚有未对齐之处。例如短链酯实验写了 85 个送测设计，较大荧光素酶表格仍列出 48 个、1 个命中；这些口径需要作者进一步澄清。

“一块 96 孔板”也容易被读得过满。它描述的是每轮候选设计的规模，但重复孔、阴性对照、纯化和动力学测定仍会增加实际工作量。所以不能把这句话理解成所有验证只消耗一块板。

Artios 的研究预览把骨架生成、序列设计、结构筛选与实验接成了一条链，但开放发布也还需跟进。截至核查，论文称模型和基础设施开源，官方技术博客仍把评估流水线代码写为“周五发布”，不能直接当成已经可安装的工具。

这项工作的增量，是让少量送测候选更值得尝试；但作者也承认，筛选依赖结构预测，实测活性仍有限。下一道考题，是这条链能否在更多反应、独立复现和实际生产条件下，继续交出可用的酶。