AI 蛋白质设计正在从“折叠出好看的骨架”，转向“造出能干活的分子机器”。
发生了什么
据 Ars Technica 报道，研究者利用 AI 设计工具，制造出能够切割其他蛋白质的蛋白质——也就是人工设计的蛋白酶。报道特别指出，这些酶所切断的化学键，在自然状态下可以稳定存在数百年。换句话说，AI 不只是复现了自然界已有的酶，而是瞄准了一类极难被破坏的键，并给出了能主动断开它的分子方案。报道未披露具体的研究团队、发表的期刊、实验规模或切割效率等细节，因此对这些数字应保持克制，等待原始论文或后续报道补充。
为什么重要
蛋白酶是生命体内最基础的工具之一：消化、凝血、免疫、细胞凋亡，都依赖精确的“剪切”。长期以来，人类改造蛋白酶主要靠定向进化——随机突变、筛选、再突变，周期长且受限于天然酶的起点。AI 设计工具改变了路径：先由模型生成候选序列与结构，再在实验室验证。
这次工作的看点在于“难度”。如果目标键真的在自然条件下能稳定数百年，那它意味着极高的动力学稳定性，通常需要相当精确的活性位点几何构型才能催化断裂。AI 若能稳定产出这类酶，说明模型对过渡态、催化残基排布等细节的建模能力在提升，而不只是学会了生成看起来合理的蛋白质。
另一层意义是应用面。能切割特定蛋白质的酶，天然对应着精准“定点清除”的能力：在研究中用于解析蛋白功能，在工业中用于处理难降解的蛋白类废物，在医药上则指向靶向降解致病蛋白的方向。相比小分子药物，酶类工具往往具备更高的底物选择性。
影响与看点
对计算生物学与 AI for Science 方向，这条新闻的价值不在“又一个生成模型”，而在于它把评估标准从结构合理性推向了可测的催化活性。这会倒逼领域建立更硬的功能性基准：不是预测得像不像，而是切不切得动、切得准不准、在什么条件下工作。
对药物研发和合成生物学从业者，值得关注的是这类设计的通用性——能否针对任意目标蛋白快速生成对应的切割工具，而不是每次都要为单个靶点做漫长的定向进化。如果通用性成立，蛋白降解类疗法的设计周期可能被显著压缩。
需要保持清醒的是，从“能切”到“可成药”之间仍有很长的路：脱靶切割、体内递送、免疫原性、稳定性，每一项都是独立的工程难题。AI 解决的是设计环节的瓶颈，不是全部瓶颈。
我的判断是：这类成果的真正分水岭，不在于第一次成功，而在于能否被重复、被泛化到不同靶点。如果后续出现成体系的“按需设计蛋白酶”工作流，那才是这一方向从论文走向工具的时刻。
