AI重塑“酶”好未来

（来源：中化新网）

　　近年来，我国生物制造发展势头强劲。酶作为高效的生物催化剂，是生物制造的核心要素。然而，从自然界筛选出来的酶存在活性低、稳定性差、底物特异性窄等问题，利用人工智能(AI)辅助酶设计，能够创造出自然界不存在或者性能更优的酶。中国石化提出的“人工智能辅助的酶蛋白设计”课题正是通过融合AI技术和自动化设备，解析酶蛋白序列、结构与功能之间的深层规律，实现酶分子的高效定向设计与性能优化，并在此基础上建成生物制造智能化设计平台，推动生物化工向精准化、高效化方向发展。在近日举行的2026中关村论坛年会平行论坛“企业发现与发明论坛”上，该研究入选中央企业生物领域十大基础科学问题。

深度融合正当时

　　AlphaFold、ProteinMPNN等深度学习模型已经在蛋白质结构预测和逆折叠设计方面取得突破，使传统依赖“试错”的酶改造模式有望转向理性设计与智能优化。“将AI与酶蛋白工程深度结合是我国生物制造实现换道超车的历史机遇。”该项目负责人、中石化(大连)石油化工研究院有限公司新能源技术专家张全研究员介绍。

　　具体而言，在生物基材料方面，塑料、尼龙和聚酯等大宗材料的生物基转型离不开高效的蛋白酶。但是传统酶改造周期长、成本高，只有掌握了酶的智能设计能力，才能推动化工产业向更绿色、更可持续的方向升级。

　　在生物能源领域，酶的作用同样不可替代。生物质转化为清洁能源的过程中，酶催化效率是决定其能否与化石燃料平价竞争的核心因素之一，AI辅助酶蛋白设计能够显著提升生物能源的生产效率，从而减少我国对进口石油的依赖，增强国家能源安全保障能力。

　　在生物医药领域，酶蛋白也是众多生物药物及药物中间体合成的核心催化剂，借助AI则可以实现酶蛋白的快速精准设计，大幅缩短药物研发周期。

三大短板待破解

　　尽管前景广阔，但相比欧美等发达国家的AI辅助酶蛋白设计水平，我国仍存在明显短板。张全坦言，在算法和模型上，我们仍在积极追赶世界先进水平，但更大的挑战在于数据基础薄弱、系统性平台能力弱以及核心生物元件依赖程度高。

　　“AI模型的训练和迭代需要大量高质量、标准化的生物数据。但目前我国酶蛋白数据分散在不同机构和企业，格式不统一，共享机制也不健全，这导致模型训练的数据土壤贫瘠，难以支撑高精度、高泛化能力的AI设计系统。”张全说。

　　此外，我国数据—算法—实验闭环平台的建设比较滞后。高效的酶蛋白设计需要将AI计算与高通量自动化实验深度融合，形成设计—构建—测试—学习的快速迭代闭环。目前，我国在这类集成平台的建设和运行上仍处于起步阶段，设备、软件、流程之间的衔接不畅，研发效率难以与国际先进水平匹敌。

　　除了数据和平台建设不足，我国在高端工业酶制剂、关键工程菌种等核心元件方面的依赖程度也比较严重。“目前，我国在生物燃料、生物基材料、生物制药等领域所需的高性能酶制剂大部分依赖进口，关键工程菌种的知识产权也主要掌握在国外企业手中。这种种源依赖不仅抬高了生产成本，更构成了产业链安全隐患。”张全解释道。

　以产业链协同破难题

　　“攻克难题需要长期努力。”张全介绍，在平台建设方面，中国石化在生物能源、生物基材料和特种精细化学品等领域持续深耕，并且构建了酶蛋白智能设计平台。该平台通过整合AI计算、自动化实验、高通量筛选等模块，建设数据管理、模型训练、智能设计和自动验证的一体化系统，将大幅提升研发效率。在生物数据建设方面，研究团队将联合国内优势力量，推动建立标准统一、开放共享的国家级酶蛋白数据库，系统地积累高质量的结构、功能、稳定性数据，为AI模型训练提供充足、可靠的“燃料”。

　　“当然，推动AI辅助酶蛋白设计快速走向产业应用，不仅需要单点技术突破，还需构建高效协同的创新生态。”张全呼吁，一方面，科研院所、高校和企业要联合推动建设统一标准、开放共享的数据库，为全行业AI模型训练提供高质量数据支撑。另一方面，要打破单位壁垒，构建“大兵团”研发体系。酶蛋白设计涉及生物、计算、化工等多个学科，单一机构难以独立完成，由企业牵头、高校和科研院所深度参与、上下游企业协同的“大兵团”攻关模式，可以发挥集中力量办大事的优势，快速突破酶蛋白设计难题。当然，要想调动上下游企业协同创新的积极性，关键在于让各方有收益。这需要探索合理的利益共享与风险共担机制，建立知识产权共享、成果转化收益分成、技术入股等多元化利益分配方式，让企业愿意来、留得住。