蛋白质如何从自然馈赠演变为AI设计的“分子资产”？

在生命科学和商业的交叉地带，“蛋白质”正从一个纯粹的生物学名词，转变为一个牵动万亿级市场的商业热词。从洗衣液里的酶制剂，到创新药中的抗体；从替代蛋白的全球风潮，到工业催化中的绿色革命，蛋白质早已穿越实验室的玻璃窗，成为产业链竞争的真正核心。如何理解蛋白质的商业价值？人工智能又怎样重写蛋白质的产业逻辑？从自然界的偶然馈赠，到AI手中的可编程分子，蛋白质的价值逻辑正在被彻底重写。本文将与你一同探秘。

一、蛋白质为什么值钱？

  Protein Value Chain

要理解蛋白质的商业价值，首先要认清一个事实：蛋白质是大自然最精密的纳米机器。

在商业语境下，它的价值体现在三个层面：医药领域，蛋白质药物（如抗体、细胞因子、激素）已是全球制药行业增长最快的板块之一；工业领域，酶制剂广泛应用于食品加工、洗涤、纺织、生物能源等行业，市场研究机构数据显示，全球工业酶市场2026年预计约80亿至90亿美元；食品领域，微生物蛋白等替代蛋白正从实验室走向餐桌，重构传统蛋白供应体系。

一个蛋白质分子由几十到几千个氨基酸按照精确序列折叠成特定的三维结构。这个三维结构的形状——活性位点的位置、结合域的分布、构象变化的灵活性——决定了它的功能：是切割还是连接，是运输还是信号传导，是识别还是催化。

这种“序列→结构→功能”的精确对应关系，赋予了蛋白质三个无与伦比的商业特质：

第一，极端特异性。 一个抗体蛋白可以精准识别癌细胞表面的某个特定抗原，而对正常细胞“视而不见”——这是小分子药物难以企及的选择性。据近年全球药品销售排行，TOP10中抗体及抗体衍生药物常年占据半数席位，单品年销售额破百亿美元的'药王'不断涌现"。

第二，超高催化效率。 工业酶可以将化学反应速率提升数十万甚至数百万倍，而且在常温常压下工作，无需高温高压和有机溶剂。经AI工程化改造提升稳定性和底物谱后，工业酶可在更宽温区、更宽pH窗口下工作，从而替代原本依赖高温高压和重金属催化的化学工艺路线，显著降低能耗与危废产生。

第三，可编程性。 从原理上讲，改变氨基酸序列就可以改变蛋白质的三维结构和功能。也就是说，蛋白质是可以被“设计”的。这个“可编程性”过去被极度低估，而AI正在将其全面激活。

二、从"发现蛋白质"到"设计蛋白质"

AI is revolutionising traditional Research and Development

如果要给蛋白质技术史划一条分界线，那就是：从发现到设计。

人类的祖先数千年前就在利用蛋白质——酿酒、做奶酪、鞣制皮革，用的是自然界现成的酶。进入20世纪，随着蛋白质测序、X射线晶体学和后来DNA测序技术的建立，科学家开始"看清"蛋白质的结构，进而理解其功能机制。而后，定向进化技术（即在实验室中模拟自然选择，通过随机突变和筛选加速蛋白质性能优化的方法）让研究者能够模仿自然选择，在实验室里加速筛选性能改良的酶变体——2018年诺贝尔化学奖正是授予了这项技术。

但上述所有方法，本质上都是"发现"的逻辑：从自然界已有的蛋白质出发，或在其基础上做随机微调，然后筛选。真正的"设计"——给定目标功能，从零开始算出应该用什么样的氨基酸序列——在过去是不可能的。

以一条中等长度的300个残基的蛋白质为例，20种天然氨基酸组成一条300个残基的蛋白质，可能的序列组合是20的300次方——这个数字远超宇宙中可观测原子的数量。靠人类直觉或穷举搜索来"设计"，无异于大海捞针。

传统蛋白质研发也因此长期面临两大核心瓶颈：一是序列空间浩瀚，传统"试错法"效率极低；二是干湿实验脱节，计算设计与湿实验验证之间存在漫长的"手工接力"，流程割裂且容易出错。

这正是AI改变游戏规则的地方。

2024年发表于《Biomolecules》的综述指出，蛋白质语言模型、结构基础设计和机器学习集成已显著提升了预测蛋白质性质和指导工程化改造的能力。深度神经网络通过在海量蛋白质序列和结构数据上训练，学会了氨基酸序列与三维结构之间的"语法"和"词汇"，进而能够在巨大的序列空间中高效导航，直接找到满足特定性能约束的候选序列。

换句话说，AI不是在"试"，而是在"推理"——它根据学到的蛋白质"设计原则"，预测某个序列将折叠成什么形状、具备什么功能、在高温或特定酸碱度下是否稳定。

三、AI蛋白质设计的三大商业化战场

 Commercial Applications

理解技术原理之后，更值得关注的是：AI蛋白质设计正在哪些领域产生真实的商业价值？答案可以收敛到三个核心战场。

战场一：工业酶——支撑万亿制造的隐形基础设施

酶是生物制造的核心催化剂，覆盖从食品加工、纺织、造纸、洗涤剂到生物燃料的几乎所有工业领域。传统酶制剂的研发模式是"从自然界找酶→实验室小修小补→投产"，整个周期通常3到5年，得到的酶往往只是"够用"，远非最优。

AI正在把这个周期缩短一个数量级。

以工业中最常见的需求——提升酶的热稳定性——为例：2025年《World Journal of Microbiology & Biotechnology》的综述详细分析了酶稳定性的分子决定因素，指出AI辅助的酶设计正在将耐热、耐酸碱、耐有机溶剂的"超级酶"开发从"偶然发现"转变为"可预测设计"。2026年发表于《Molecules》的综述进一步阐述，AlphaFold2、RoseTTAFold 等结构预测模型可给出高精度三维坐标，结合 ProGen、ESM-2 等蛋白质语言模型对稳定性、功能位点的推断能力，再配合活性口袋预测、分子对接等下游工具，可大幅提升对酶催化功能的预判精度，而生成式模型甚至能够从头创建具有定制催化活性的人工合成酶——即synzymes。

这意味着什么？以纺织退浆工艺为例，传统工艺需要在接近沸点的碱性溶液中处理织物，能耗极高。一个经AI优化后能在60℃以下保持高活性的淀粉酶，可以直接将这条工序的蒸汽成本砍掉三分之一。在庞大的全球工业制造体系中，这样的"单点优化"累积起来，释放的经济价值和减碳效应不可估量。

战场二：治疗性蛋白——从抗体到多肽的新药逻辑

蛋白质药物——特别是单克隆抗体——是当今制药工业的绝对支柱。截至2025年8月，据行业研究机构统计，全球已有144个抗体药物获FDA批准，超过1500个候选分子处于临床开发阶段，据Evaluate Pharma等机构统计，2024年全球抗体类药物市场规模约2000亿–2200亿美元。但传统抗体发现依赖动物免疫或大规模文库筛选，耗时长、命中率低，得到的先导分子往往需要大量后续工程化改造。

2024年发表于《Biomolecules》的综述指出，计算与实验方法的整合正在推动下一代生物制剂的发展，包括亲和力成熟、双特异性抗体、酶稳定性增强和条件性活性细胞因子。蛋白质语言模型等AI工具能够从天然抗体库中"学习"什么样的CDR（互补决定区）序列最可能对特定靶标具有高亲和力，然后在计算机中生成和评估数百万个虚拟变体，仅在最有希望的一小部分上进行湿实验验证——这就是"干湿闭环"。

在多肽药物领域，趋势同样明显。全球多肽治疗市场2024年已突破500亿美元，据行业统计，约100余种多肽产品在主要市场获批，其中近半数发生在过去20年间。AI驱动的多肽设计可以在维持靶标亲和力的同时，预测并优化稳定性、口服生物利用度和免疫原性——这些都是多肽成药性的传统瓶颈。

战场三：可持续材料——蛋白质作为"绿色建材"

除了催化功能和治疗功能，蛋白质还有一个正在兴起的商业应用方向：作为材料本身。

蛛丝蛋白、蚕丝蛋白、类弹性蛋白多肽（elastin-like polypeptides，ELPs）等结构蛋白，通过AI设计可以调控其力学性能、降解速率和生物相容性，从而替代石油基塑料和不可降解合成纤维。在运动鞋中底、医用缝合线、可吸收植入物等高端领域，AI设计的蛋白质材料正从实验室样品走向商业化量产。

四、MatwingsVenus™（晓鹜™）：给蛋白质研发一个“智能体”

上述三大商业化战场的共同前提，是需要有一个能高效完成"序列→结构→功能"预测与优化的AI平台。

2026年4月24日，上海天鹜科技正式发布对话式蛋白质研发智能体MatwingsVenus™（晓鹜™）。与传统工具平台不同，它以智能体为中心构建了一站式蛋白质研发体系——用户通过自然语言输入任务目标，系统自动拆解任务、调度工具、组织工作路径，而非简单地堆砌功能模块。

在核心能力上，平台支持百亿级真实标签蛋白质数据检索，整合了200+蛋白质设计工具、50+经平台认证的专家，以及30+各领域专家调优的Skills，覆盖深度研究、挖酶、定向进化、从头设计以及自动化湿实验协同等工作场景。

在查询能力上，平台已接入30+数据库能力模块、400+项具体工具功能，涵盖蛋白序列、结构、功能注释、通路分析、相互作用和表达分析等多个维度，支持多数据库并行检索与结果自动整合输出。

在设计模型上，2026年6月的平台更新中，MatwingsVenus™（晓鹜™）新增了BoltzGen、LigandMPNN、Protenix三款核心模型。其中BoltzGen增强全新结合蛋白从头设计能力，可面向蛋白、肽段、小分子等目标生成候选结合分子；LigandMPNN侧重含小分子配体、金属离子等体系的精准序列设计；Protenix则用于预测蛋白、DNA/RNA、小分子配体、离子等多组分体系的三维结构，并解析分子间结合构象与相互作用界面。

最为关键的是"干湿闭环"模式——平台打通了从AI设计到自动化实验验证的全链路。Agent完成设计后，可直接衔接自动化共享实验室执行，驱动机器人完成样品制备、蛋白纯化和功能检测，实验结果再回流至下一轮AI设计，形成"计算驱动湿实验、湿实验反哺计算"的对话式干湿闭环迭代。

在实际落地中，据天鹜科技公开披露，公司已交付40+个蛋白质设计项目，覆盖创新药、体外诊断、工业酶、营养保健等多个行业头部客户。其中，在某免疫调控受体靶点的从头设计项目中，平台成功获得数十个具备体外细胞阻断活性的全新结合分子，完成了从头设计结合分子的全流程验证。在与上市药企合作的项目中，团队用不到一年时间完成了纯化关键原料的改造，耐碱性提升4倍，产品已实现5000升规模放大生产，每年为企业节省千万元级蛋白原料成本。

2026年5月，MatwingsVenus™（晓鹜™）企业版正式发布，在个人版AI蛋白设计与湿实验一键下单能力的基础上，新增智能管理后台。2026年6月，天鹜科技入选36氪"2026最具价值成长企业100"，位列人工智能/大模型赛道。

更重要的是，这种能力正在被模块化和标准化：蛋白质设计不再是以"个项目"为单位、需要顶级计算生物学专家深度参与的手工作坊式工作，而是一个可以被不同行业、不同规模的研发团队"调用"的平台化服务。

五、蛋白质经济的临界点

回顾历史，人类对蛋白质的利用经历了四个阶段：

蛋白质1.0——直接利用自然界的蛋白质（酿酒、发酵）；蛋白质2.0——发现并提取特定的蛋白质（酶制剂工业、抗体药）；蛋白质3.0——定向进化和半理性设计，在天然蛋白基础上修修补补；蛋白质4.0——AI驱动的从头设计。

我们正在跨入蛋白质4.0的门槛。在这个阶段，蛋白质不再只是被发现的"自然资源"，而是一种可以被按需设计、按需生产、按需调优的"分子资产"。

2025年发表于《Cell Systems》的前瞻性文章用这样的表述描绘了未来图景："科学界迄今只揭示了进化所产生的酶中的极小一部分，而AI方法正在开启一扇通向超越生物进化的酶宇宙的大门——甚至可能提供一种为几乎任何化学反应进行遗传编码的路径。"

当蛋白质设计变得可预测、可规模化、可复制，它将以一种基础技术平台的姿态，渗透到制药、化工、材料、能源、食品、环保等几乎所有以分子为基础的经济活动中。蛋白质不再是生物学的专有名词——它正在成为一门工程学。

而工程学的一条核心法则就是：能被设计的，终将被量产。当AI成为蛋白质的"设计师"，生物经济的想象空间，才刚刚打开。