2026年10月13日，谷歌给通用AI摆出了一份酶设计成绩单：Gemini 4 Argon在数小时内完成计算筛选，得到五个新设计。但实验验证发生在随后，谷歌称这些设计均表现出较强催化活性。[1]
这把通用AI带进了诺奖得主David Baker的专业领域。Baker因计算蛋白质设计获得2024年诺贝尔化学奖。但“挑战”的分量要看清：谷歌披露了新结果，尚未在这份发布稿中证明胜过RFdiffusion。[1, 23]
数小时，究竟压缩了哪一段？
谷歌描述的工作有三步：整理数据、进行模型调优、找出生化原理支持的筛选规则。Argon的价值落在一条连续工作流上。但公开叙述仍很简略，数据规模、调整的模型及具体筛选条件都未展开。[1]
我们因此可以讨论通用AI参与酶设计，却不能替它补写工具清单。官方酶设计段落未说明是否调用RFdiffusion等专业模型。但这也留下一个关键问题：它承担了哪些此前需要专家完成的决策？[1]
它瞄准的是丝氨酸酯酶，可以把酯键想成等待剪断的连接点。4MU-acetate被水解后释放荧光产物，便于追踪反应。但这是一道可测量的酶学考题，不能直接等同于制药或塑料回收任务。[1, 9]
“五”也要读准：官方说的是五个最终新设计，未称它们催化五类不同反应。但最容易忽略的还有时间边界：数小时完成的是计算工作，湿实验验证在随后。发布稿未给出整个实验周期。[1]
诺奖团队的难题，藏在剪断之后
Baker团队的《Computational design of serine hydrolases》刊载于2025年4月18日的《Science》，此前于2月13日在线发表。研究使用RFdiffusion与PLACER设计丝氨酸水解酶。但难题远超生成一条新序列。[9]
像一台需要反复复位的剪刀，酶完成第一刀后还得恢复工作。丝氨酸水解酶会形成共价连接的酰化酶中间体，再借助水完成后续步骤。但若卡在中间体，设计就可能只发生一次反应。[9]
这也是荧光实验容易被误读的地方。论文前两轮设计的产物曲线在约一个酶当量后趋于平台。但荧光已经亮了，不能据此认定酶能持续工作；质谱也支持这些设计形成酰化中间体后失活。[9]
团队因此补入更完整的催化结构，并检查多个反应状态。催化残基与稳定中间体的氢键需要协同。但只把某一帧摆得漂亮仍不够：一次发光与持续催化，隔着整个反应循环。[9]
专业模型的强项：让每一步都站得住
RFdiffusion像围绕精密刀口搭机架，按活性位点几何生成蛋白骨架。LigandMPNN安排序列，Rosetta精修，再由AlphaFold2检查结构。但预测能折叠，还不等于催化中心在各阶段都保持可用。[9]
PLACER像让同一套装置反复排演，生成活性位点的构象集合。研究者据此筛选关键氢键是否经常形成。但这些预测并非直接测得的反应速率，能否持续催化，最终仍须交给实验回答。[9]
论文把筛选代价写得很具体。第一轮测试129个设计，第二轮测试192个；出现4MU酯水解信号的比例由1.6%升到5.2%。但两轮主要停留在单次酰化，不能把这些比例算成持续催化的成功率。[9]
第三轮加入更完整的活性位点并检查多个状态。132个设计中，20个出现水解信号，只有2个表现出催化周转，约占1.5%。但数字的意义正来自分层验证：反应性、单次反应、持续催化，需要分别记账。[9]
证据还包括结构与突变检验。super与win的晶体结构和设计模型，骨架Cα偏差分别为0.80与0.83埃。但结构吻合仍需功能支撑；改变关键催化残基后活性下降，支持设计的催化中心确实参与反应。[9]
论文最醒目的数字是最高催化效率kcat/Km达到2.2×10⁵ M⁻¹·s⁻¹。但它属于momi120-103对4MU-phenylacetate的结果，不能直接标成4MU-acetate的表现。底物不同，比较起点就变了。[9]
同一种荧光读数，还算不上同场比赛
谷歌目前给的是“较强催化活性”，未列出对应动力学数值。缺少同底物、同条件的速率与对照，就无法排出高低。但这不抹去新结果的意义：相同底物建立了联系，尚未建立公平的胜负。[1, 9]
两边的“五”也不能对齐。Baker报告五种不同蛋白折叠，谷歌说五个最终设计。但它们属于不同统计维度；谷歌也未在该段给出初始候选总数，无法据此推出整条流程成功率为100%。[1, 9]
通用AI进场，专业工具会退场吗？
眼下更值得追问的是研发分工。谷歌报告了Argon整理数据、调优模型、制定筛选规则的能力。但发布稿未给完整工具链，不能认定这些步骤已摆脱专业模型，更不能把参与设计写成完全自主发明。[1]
专业工具提供分子层面的生成与评估，通用AI可能帮助串起任务与决策。这是值得检验的协作方向。但它仍是本文的判断：流程层面的提速潜力，不等于分子性能已经超越。[1, 9]
谷歌把进展指向生物制造、绿色化学与药物开发。这些是潜在应用，荧光底物实验尚不能证明工业可用性。但跨到真实任务还要验证目标底物、稳定性与反应条件，一次模型发布无法跳过这些关卡。[1, 9]
推广动作已经跟上。谷歌计划为最多1万名遴选科学家，免费提供6个月Antigravity最高使用档位及Argon访问。但表单明确主要支持有高校、非营利研究机构或国家实验室有效关联的非商业研究。[26]
科研人员可通过官方表单登记，需提供机构信息和有效ORCID或Google Scholar资料。项目按容量每周滚动审核，提交不保证入选。但申请内容须非保密、非专有，获批访问适用个人版服务条款。[26]
标题里的挑战已经有了入口：通用AI参与了有后续实验反馈的酶设计。但决定竞争的下一张成绩单，需要公开动力学、候选分母与可复现流程。换个底物、再走一遍，数小时的优势还能剩下多少？[1, 9]
