David Baker最新Nature論文：AI從頭設計金屬水解酶，無需實驗優化，催化效率提升千倍

撰文丨王聰

編輯丨王多魚

排版丨水成文

酶的從頭設計，旨在構建含有理想活性位點的蛋白質，這些位點周圍的催化氨基酸殘基能夠穩定目標化學反應的過渡態。此前已有研究利用蛋白質從頭設計來生成新的金屬水解酶（Metallohydrolase），但這些酶的活性和效率相對較低，需要經過大量的定向進化才能達到天然酶的活性和效率水平。

David Baker團隊之前開發的用于蛋白質從頭設計的生成式 AI 工具——RFdiffusion，可以解決上述難題，但其需要為每個催化氨基酸殘基指定序列位置和主鏈坐標，這限制了設計空間范圍。

2025 年 12 月 3 日，諾獎得主、蛋白質設計先驅David Baker教授團隊在國際頂尖學術期刊Nature上發表了題為：Computational design of metallohydrolases 的研究論文。

該研究利用新一代 AI 蛋白質設計工具——RFdiffusion2，成功設計了活性極高的鋅金屬水解酶，其催化效率比之前設計的金屬水解酶高出上千倍。更令人驚嘆的是，這些高性能酶完全“從頭開始”設計，且無需任何實驗改造優化，真正實現了“零樣本”設計，這預示著我們將迎來新一代強大的定制化催化劑，在工業、醫藥等領域具有廣闊應用前景。

David Baker 教授

傳統酶設計的瓶頸

金屬水解酶（metallohydrolase）是自然界中催化困難水解反應的高手，它們利用金屬離子激活水分子，切斷底物分子中的化學鍵。設計這樣的酶對降解人造環境污染物至關重要。

過去，科學家通過蛋白質工程改造現有酶，或使用早期計算工具進行設計，但往往活性較低，需要經過大量實驗篩選和定向進化才能達到實用水平。

David Baker團隊之前開發的 AI 蛋白質設計工具RFdiffusion，需要預先指定催化氨基酸殘基的序列位置和骨架坐標，這大大限制了設計空間的探索。

RFdiffusion2：革命性的設計突破

在這項最新研究中，研究團隊開發了RFdiffusion2，這個新一代的生成式 AI 蛋白質設計工具解決了上述限制。研究團隊同期在Nature Methods期刊發表論文，介紹了 RFdiffusion2 的具體情況【2】。

RFdiffusion2 的核心創新在于：

1、原子級子結構支架設計：只需指定與反應過渡態相互作用的關鍵功能基團位置，而非完整的側鏈和骨架構象；

2、序列位置無關的支架設計：無需預先指定催化氨基酸殘基的序列位置。

RFdiffusion2 采用流匹配（Flow Matching）取代擴散模型（Diffusion Model），在訓練過程中提供隨機選擇的天然原子坐標，從而能夠探索更大的設計空間，只需要使用者描述需要完成的設計任務，讓 AI 自行決定需要多少氨基酸、位置排列以及如何協作。

從理論到現實：設計高效金屬水解酶

研究團隊選擇了設計一種鋅金屬水解酶，用于催化水解4-甲基傘形酮苯乙酸酯（4MU-PA），首先使用密度泛函理論（DFT）確定了催化反應過渡態的幾何結構，獲得了鋅離子、三個組氨酸咪唑環和過渡態的精確坐標。

研究團隊進行了 5120 次 RFdiffusion2 推理軌跡，為每個生成的蛋白質支架設計序列，并通過 AlphaFold2 結構預測和 PLACER 活性位點預組織評估進一步優化。

在第一輪 96 個設計中，ZETA_1脫穎而出，其催化效率（kcat/KM）高達 16000 M?1s?1，比之前設計的金屬水解酶高出三個數量級。此外，其預測結構與設計模型高度一致，表明其設計的高度準確性。

第二輪設計成功率大幅提升

基于第一輪的經驗，研究團隊改進了設計策略，從新的密度泛函理論酶出發，明確包含催化堿基，并使用更大數據集訓練的新版 RFdiffusion2。

結果更加驚人：在第二輪 96 個設計中，11 個設計顯示出顯著的鋅依賴性水解活性，成功率大幅提高。其中，ZETA_2的催化效率（kcat/KM）高達 53000 M?1s?1，催化速率常數（kcat）達到 1.5 s?1。

這些最活躍的設計在底物結合模式上各不相同，表明 RFdiffusion2 能夠生成多樣化的解決方案。ZETA_2 和 ZETA_3 甚至展示了相反的底物結合模式，體現了設計方法的靈活性。

為了驗證設計方法的準確性，研究團隊解析了 ZETA_2 的蛋白晶體結構。結果顯示，實驗結構與設計模型高度吻合，骨架幾乎可疊加，催化氨基酸殘基以設計的幾何形狀預組織。結合位點與設計模型中的過渡態高度互補，提供了設計準確性的直接結構證據。

深遠影響與未來展望

這項研究的成功具有深遠意義：

1、催化效率大幅提升：設計的金屬水解酶催化效率達到 103-10? M?1s?1，與天然金屬水解酶相當，遠超過所有先前設計的金屬水解酶；

2、設計成功率顯著提高：結合 PLACER 和 Chai-1 的活性位點預組織評估，能有效識別最活躍的設計；

3、方法通用性強：RFdiffusion2 設計適用于多種化學反應，有望推動整個酶設計領域的發展。

總的來說，這項研究不僅展示了人工智能在蛋白質設計中的強大能力，更開辟了創造全新生物催化劑的可行路徑，為合成生物學和綠色化學的發展注入了新的活力。

論文鏈接：

1. https://www.nature.com/articles/s41586-025-09746-w

2. https://www.nature.com/articles/s41592-025-02975-x