酶是进行维持所有生命的化学反应的分子机器，这种能力引起了像我这样的科学家的注意。

　　考虑肌肉运动。你的身体会释放一种叫做乙酰胆碱的分子来触发肌肉细胞收缩。如果乙酰胆碱停留太久，它会麻痹你的肌肉——包括你的心肌细胞——好吧，就是这样。这就是乙酰胆碱酯酶发挥作用的地方。这种酶每秒可以分解数千个乙酰胆碱分子，以确保肌肉收缩停止，避免瘫痪，生命继续。如果没有这种酶，一个乙酰胆碱分子需要一个月的时间才能自行分解——大约要慢100亿倍。

　　你可以想象为什么酶对寻求解决现代问题的科学家特别感兴趣。如果有一种方法可以分解塑料，捕获二氧化碳，或者像乙酰胆碱酯酶分解乙酰胆碱一样快地消灭癌细胞，那会怎么样？如果世界需要迅速采取行动，酶是这项工作的一个引人注目的候选者——只要研究人员能够设计出能够应对这些挑战的酶。

　　不幸的是，设计酶是非常困难的。这就像在摆弄一个原子大小的乐高积木，但是指令丢失了，除非完美地组装起来，否则这个东西就无法固定在一起。我们团队最新发表的研究表明，机器学习可以充当乐高积木的建筑师，帮助科学家准确地构建这些复杂的分子结构。

　　什么是酶？

　　让我们仔细看看是什么构成了酶。

　　酶是蛋白质——一种大分子，它在幕后发挥作用，维持所有生物的生命。这些蛋白质是由氨基酸组成的，氨基酸是一组可以拼接在一起形成长弦并打结成特定形状的构件。

　　蛋白质的特定结构是其功能的关键，就像日常物品的形状一样。例如，就像勺子被设计成可以盛放液体，而刀子根本无法做到一样，参与运动肌肉的酶也不太适合植物的光合作用。

　　为了使酶发挥作用，它采用了一种与它所处理的分子完美匹配的形状，就像锁与钥匙匹配一样。酶中独特的凹槽——锁——与目标分子——钥匙——相互作用，这些凹槽位于酶的一个被称为活性位点的区域。

　　酶的活性位点精确地定位氨基酸，使其在进入靶分子时与靶分子相互作用。这使得分子更容易经历化学反应，变成另一种分子，使这个过程进行得更快。化学反应完成后，新的分子被释放出来，酶准备处理另一个分子。

　　如何设计一种酶？

　　几十年来，科学家们一直试图设计自己的酶来制造新的分子、材料或治疗方法。但是要制造出和自然界中酶一样的酶是非常困难的。

　　酶具有复杂、不规则的形状，由数百种氨基酸组成。每一个组成部分都需要完美地放置，否则酶就会减慢或完全关闭。速度赛车和慢速酶之间的区别可能是小于单个原子宽度的距离。

　　最初，科学家们专注于修改现有酶的氨基酸序列，以提高它们的速度或稳定性。这种方法的早期成功主要提高了酶的稳定性，使它们能够在更高的温度范围内催化化学反应。但是这种方法对于提高酶的速度用处不大。直到今天，通过修饰单个氨基酸来设计新酶通常不是改善天然酶的有效方法。

　　研究人员发现，使用一种被称为定向进化的过程——在这种过程中，酶的氨基酸序列被随机改变，直到它能发挥预期的功能——被证明是更有成效的。例如，研究表明，定向进化可以提高化学反应速度，提高热稳定性，甚至可以产生具有自然界中看不到的特性的酶。然而，这种方法通常是劳动密集型的：您必须筛选许多突变体才能找到符合您要求的突变体。在某些情况下，如果没有好的酶作为起点，这种方法可能根本不起作用。

　　这两种方法都受到依赖天然酶的限制。也就是说，将你的设计限制在天然蛋白质的形状上可能会限制酶所能促进的化学物质的种类。记住，你不能用刀喝汤。

　　有可能从零开始制造酶，而不是修改大自然的配方吗？是的，用电脑。

　　用计算机设计酶

　　最初的计算设计酶的尝试仍然主要依赖于天然酶作为起点，专注于将酶活性位点置于天然蛋白质中。

　　这种方法类似于试图在旧货店找到一套西装：你不太可能找到一件完美的衣服，因为酶的活性部位（在这个比喻中是你的身体）的几何形状是高度特定的，所以具有严格固定结构的随机蛋白质（具有随机尺寸的西装）不太可能完美地适应它。从这些努力中得到的酶比自然界中发现的酶慢得多，需要通过定向进化进一步优化以达到天然酶的共同速度。

　　深度学习的最新进展极大地改变了用计算机设计酶的前景。酶现在可以以与人工智能模型（如ChatGPT和DALL-E）生成文本或图像大致相同的方式生成，并且您不需要使用天然蛋白质结构来支持活性位点。

　　我们的团队表明，当我们用活性位点的结构和氨基酸序列提示一个称为rf扩散的人工智能模型时，它可以生成完全支持它的酶结构的其余部分。这相当于提示ChatGPT根据一个提示写一个完整的短篇故事，这个提示只说包含“可悲的是，鸡蛋从未出现”这句话。

　　我们专门使用这个人工智能模型来产生一种叫做丝氨酸水解酶的酶，这种酶是一组在医学和塑料回收方面有潜在应用的蛋白质。在设计出酶之后，我们将它们与预期的分子目标混合，看看它们是否能催化其分解。令人鼓舞的是，我们测试的许多设计都能够分解分子，并且比以前设计的酶更好地进行相同的反应。

　　为了检验我们的计算设计有多精确，我们使用了一种叫做x射线晶体学的方法来确定这些酶的形状。我们发现他们中的许多人几乎与我们的数字设计完美匹配。

　　我们的发现标志着酶设计的一个关键进展，突出了人工智能如何帮助科学家开始解决复杂问题。机器学习工具可以帮助更多的研究人员了解酶的设计，并充分利用酶的潜力来解决现代问题。

　　Sam Pellock是西雅图华盛顿大学生物化学博士后学者。

　　的有限公司谈话是一种独立而不存在的非营利来源的新闻，分析和评论的学术专家。