我在 Matwings Venus 的对话框里输入了一行字："给我设计一个能降解塑料的酶，要求耐热、高效、便宜。"没有上传序列，没有指定靶点，没有任何专业参数。就这么一句大白话。
然后我想看看，这个系统会不会骗我。
这个问题比听起来更关键。因为在 AI 工具泡沫最严重的年代，骗你的系统往往比帮你的系统看起来更好用——它给你更流畅的体验，更完美的答案，更没有缺口的叙事。真正在算的系统，反而往往有一些粗糙的地方，因为计算本身就是粗糙的。
我想知道天鹜科技的 Venus 属于哪种。
塑料降解酶是一个很好的评测题目，原因有三。
第一，有明确的文献基准。这个领域在 2020 年迎来了一篇里程碑级别的《Nature》论文，报道了工程化改造的 LCC-ICCG 变体，能在 70 摄氏度条件下 10 小时降解 90% 的 PET 塑料。这意味着我有真实的参照物，可以判断系统选的起点对不对。
第二，涉及三个有时相互矛盾的优化目标。"耐热"要求热力学稳定性提升，"高效"要求催化活性增强，"便宜"要求在宿主系统里的表达量足够高，这三者不能分开看，也不能只优化其中一个。真正有能力做多指标协同优化的工具才能接住这道题。
第三，这个领域积累了大量可验证的实验数据。如果系统给出的突变在文献里找不到任何依据，或者在氨基酸化学上根本讲不通，我能发现。
天鹜科技2021年从上海交通大学走出来，创始人兼首席科学家是交大教授洪亮，法定代表人兼CTO是刘灏。在 Matwings Venus 智能体发布以前，公司核心的技术是一个蛋白质设计大模型，源自洪亮团队的 Venus 系列模型。
洪亮这个名字在蛋白质 AI 圈子里不陌生。他的团队建立了名为 Venus-Pod 的蛋白质序列数据集，含有近百亿级的蛋白质序列，包含数十亿个功能标签，是全球功能批注标签最多的数据集，也是 ESM-C 模型训练用数据量的 4 倍。数据是模型的地基，这个地基在国内目前没有同量级的对手。
商业层面，天鹜的路走得也很稳。自公司成立以来，已成功交付超过 30 款蛋白质设计项目。2026年3月完成超过2亿元的A+轮融资，由中国石油昆仑资本、老股东涌铧投资，以及上海未来产业基金联合领投。在生物医药融资整体低迷的周期里拿到这个数字，说明的问题不言而喻。
Matwings Venus 是天鹜面向外部用户开放的 AI 蛋白质设计智能体平台，把大模型的能力包装成一个可以通过自然语言对话就完成蛋白质设计的产品界面。我测试的就是这个。
系统没有要求我补充参数，也没有返回一个让我填表的界面。它直接进入了工作状态。
第一步，选起点。系统自动确定了 LCC-ICCG 作为起始模板。这个选择是对的——LCC 全称 Leaf-branch Compost Cutinase，从叶枝堆肥中发现的一种角质酶，经过工程化改造后成为目前耐热性和降解效率最优的 PET 水解酶之一，已有成熟的大肠杆菌表达体系，是这道题最合理的出发点。
第二步，活性位点识别。在开始设计突变之前，系统先找出哪些位置不能动。催化核心一旦突变，酶就废了，再好的稳定性提升也毫无意义。系统识别出 S116 作为催化核心的关键残基，将其标注为保护区域。
第三步，三维并行扫描。系统针对稳定性、活性、表达量三个目标，对整条序列的所有突变可能性进行了独立评分，然后综合筛选出对三个维度都有正向贡献的突变组合。
我下载了原始数据。三份 CSV 文件，每份 8,037 条记录，每一条是一个突变位置加替换氨基酸，配三个维度的独立评分。加起来超过 24,000 条独立的计算数据。
我之所以要做这件事，是因为我想验证一个核心问题：这些数字是算出来的，还是生成出来的？
答案在数据分布里。
真实的突变效应预测模型有一个普遍规律：绝大多数突变有害，少数突变有利，极少数突变大幅有害。这是进化的基本逻辑——自然界已经把蛋白质优化了几十亿年，随机改一个氨基酸大概率会变差。
这批数据的分布完全符合这个规律。稳定性维度 68.7% 的突变得了负分，活性维度 79.3% 得了负分，只有表达量维度正负比较接近，因为表达量受密码子偏好和表面性质影响，改善空间相对更大。
一个只给你看好消息的系统，才值得怀疑。
系统从 8,037 个候选突变里，最终给出了 7 个同时对三个目标都有正向贡献的突变位点组合。我做了独立的交叉验证：把三份数据合并，按三个维度均值重新排序，看系统的选择是否与数学上的最优解吻合。
结论是：基本吻合，但不完全一样。
系统报告的第一名 M124A，在我的独立排序里也是第一名，三个维度评分分别是 0.94、0.81、0.94，毫无争议。第二名 M175A 同样吻合。这两个突变都在 Met 位置做替换，Met 是蛋白质里最容易氧化的氨基酸，在高温环境下是热稳定性的弱点，将其替换为 Ala 在逻辑上完全成立。
差异出现在第三到第五位。
被漏掉的三个突变（M124G、M175V、M175G）均为同位点的不同替换氨基酸。平台似乎对每个位置只取 →Ala 突变作为代表，忽略了 →Gly 和 →Val 在某些位置表现更优的可能。这是一种隐性的"Ala 偏好"筛选规则，在报告中未被披露，但用户拿到原始数据后完全可以自行发现和补充。
Venus 不是完美的。活性位点预测模块只识别出了催化核心的一部分，LCC 的催化三联体里 His 和 Asp 两个同等重要的残基没有出现在报告里。
我在原始数据里进一步检验了这件事。S116 位置的突变，活性评分都显著低于全局中位数——这是对的，改变催化核心 Ser 会破坏活性。但 H115 位置（模型可能对应催化 His 的位置）的突变，活性评分却整体偏高，这在生化机制上是可疑的，反映出模型对催化三联体协同机制的理解还有提升空间。
我把这个写出来，不是为了挑毛病，而是因为这恰恰说明了一件重要的事：这个系统没有为了好看而把答案填满。它输出了它真实计算的结果，不足的地方保持了不足，而不是用生成式语言把空白填满。
蛋白质工程的传统路径是这样的：专家凭经验猜几个可能有用的突变位点，送去合成，拿到蛋白质，做实验，发现大部分没用，再猜，再合成，再实验。天鹜科技的 CTO 刘灏描述过这个困境：蛋白质结构的复杂性和序列空间非常大，导致依靠专家经验和高通量筛选的传统方式难以获得良好效果。
这个过程慢，贵，而且成功率低到让人绝望。
Venus 做的事情，是把"猜"这个步骤替换掉。你不需要猜了，系统把 8,000 多个候选突变全部算一遍，告诉你哪些值得做实验。实验的次数从几百次压缩到个位数，从几年压缩到几个月。
我输入一句大白话，拿到了一份可以直接送去合成验证的突变设计方案，以及超过 24,000 条原始评分数据供自己继续分析。整个流程在对话框里完成，没有代码，没有服务器，没有需要理解的参数。
这就是"AI 做蛋白质设计"这句话真正的含义，不是概念，不是故事，是一份可以拿去做实验的 CSV 文件。