研究人员——其中大多数来自诺贝尔奖得主 David Baker 在华盛顿大学的实验室——开发了利用人工智能设计的酶蛋白，能够切断其他蛋白质中的肽键。这项工作依赖 RFdiffusion2 和 ProteinMPNN 等工具，并显示这些模型能够构建蛋白质结构，使催化氨基酸靠近目标序列，即使设计结果与数据库中的已知蛋白质并不相似。
肽键具有很高的化学稳定性；其在水中自发分解可能需要数百年。生物体利用蛋白酶来加速这一过程。研究人员聚焦于两种机制：依赖锌的蛋白酶，以及依赖氨基酸半胱氨酸的蛋白酶。在这两种情况下，挑战都是在能够攻击目标键的催化中心内，精确排列少量氨基酸。
设计的酶是如何构建的？
团队从两个已知结构出发：来自龙虾消化系统的锌蛋白酶，以及来自酵母的半胱氨酸蛋白酶。他们使用 RFdiffusion2 生成蛋白质骨架，并施加约束，确保催化氨基酸彼此靠近，同时靠近待切割的序列。随后，ProteinMPNN 用与结构折叠、催化位点以及与靶标相互作用相容的氨基酸填充骨架。
研究人员为半胱氨酸蛋白酶项目设计了 12 个骨架和 69 组氨基酸；在锌蛋白酶项目中则测试了 135 个设计。他们使用 AlphaFold3 预测若干设计的结构，并未在数据库中找到相似程度足以表明这些工具只是简单重复利用已知结构的蛋白质。
可测量的活性，但与天然酶存在差距
团队在一种长蛋白中测试这些设计，该蛋白将蛋白酶、目标序列和荧光蛋白连接在一起，从而通过切割显示反应是否成功。半胱氨酸蛋白酶中有 13 个设计成功，占测试的 19%，但其活性远低于作为参照的酵母酶。
在未将反应所需的水分子作为明确约束的锌蛋白酶设计中，89 个设计里有 14 个表现出微弱的催化活性。对失败设计的分析显示，水分子有时会占据反应所需的位置。将水分子的位置纳入设计后，成功率升至 38 个设计中的 35 个，但在大多数情况下，活性仍低于天然酶的水平。
研究人员通过替换靠近活性位点、但不直接参与催化的氨基酸，改进了部分设计。在其中一个项目中，最佳改动使肽键切割速度提高了 109 倍，同时保持了对目标序列的高度特异性。锌蛋白酶的第二版活性也比原始设计高 30 倍，使反应速度提高了 1010 倍。
这对医疗应用意味着什么？
在最后一项实验中，研究人员设计了靶向与阿尔茨海默病和额颞叶痴呆相关蛋白质的锌蛋白酶，其中一种能够在细胞内切割预定靶标。但改造已有设计以靶向新的序列并未取得良好效果，因此团队不得不从头重新进行设计。
这些结果说明，这种方法有可能用于靶向与某些疾病相关的异常蛋白质，但它们并不代表一种已经准备就绪的治疗方法。将蛋白质递送到适当位置十分困难，而且可能引发免疫反应。如果靶标位于细胞内，可能还需要将编码蛋白酶的基因递送至相关细胞，这又增加了一项挑战。
人工智能设计的局限
实验表明，当前的设计工具擅长满足工程和结构约束：使蛋白质按要求折叠、使催化氨基酸彼此靠近，并与特定序列结合。但这些工具本身并不能保证实现高酶活性所需的精细细节。一些设计在结构上大致正确，但反应能力较弱；之后，细微的突变却能大幅提高其活性。
这里最重要的结论是，人工智能蛋白质设计已经从提出理论结构，发展到实际产出能够作用于特定靶标的酶，但结构与活性之间的差距，以及在体内进行递送的难题，仍然限制着其向治疗应用的转化。研究结果发表在《Nature》期刊，数字对象标识符为 10.1038/s41586-026-11143-w 和 10.1038/s41586-026-11167-2。