香港科技大学（广州）团队Nature发文：AI一句话生成降解塑料蛋白质

香港科技大学（广州）卢泓远团队联合西湖大学、中国科学院深圳先进技术研究院等，开发出蛋白质设计基础模型 Pinal：你只需对人工智能说一句「我想要一种能降解塑料的酶」，模型就能生成候选蛋白质序列。2026年10月21日，相关成果以《基于自然语言的功能蛋白质可编程设计》为题，发表于国际顶级期刊《自然》（Nature）。这标志着「用自然语言直接设计蛋白质」从设想走向验证。

从「描述功能」到「获得蛋白质」：中间曾隔着一道鸿沟

长期以来，设计具有特定功能的蛋白质，往往要研究者先从天然蛋白质里找原型，再做反复改造与实验筛选。即便借助人工智能，也常需把功能需求进一步翻译成「蛋白质结构、氨基酸位点」这类专业设计条件。换句话说，「我希望蛋白质做什么」和「怎样获得这样的蛋白质」之间，一直有不小的距离。

Pinal 的目标，就是让自然语言直接成为蛋白质设计的起点。研究团队发现，相比一步到位预测氨基酸序列，先由文字生成蛋白质结构表示、再在结构基础上设计序列，是一条更易学习也更有效的路径——这有点像造一台机器：先按用途画整体蓝图，再确定每个零件如何安排。

模型规模：17亿配对数据、约160亿参数

支撑这一过程的是大规模数据与训练。团队构建了包含17亿组「蛋白质—文本」配对的合成数据集，覆盖约1.35亿条不同的蛋白质序列及其结构，最终训练出拥有约160亿参数的 Pinal 模型。计算评测显示，随着训练数据与模型规模增大，生成蛋白质与功能描述的匹配程度、以及预测折叠质量持续改善；模型还能生成具备一定序列多样性与结构新颖性的候选，为后续实验提供更多选择。

四类功能验证：从荧光到塑料降解

计算预测只是第一步，模型生成的序列能否正确表达、形成适当结构并在实验中发挥功能，才是「终极考官」。团队选择了四类代表不同功能的蛋白质，全部以文字描述作为输入，再通过计算筛选确定候选序列：

• 绿色荧光蛋白：从29个候选中获得 pinalGFP，发光特性与天然绿色荧光蛋白相符，关键氨基酸残基改动后荧光消失，为设计机制提供实验支持；
• PET 塑料降解水解酶：获得具催化活性的 pinalPETase36，能在特定条件下作用于固体 PET 材料，扫描电镜观察到表面明显孔洞与凹坑；
• 醇脱氢酶：未限定亚家族，最终获得5种具实验活性的酶，覆盖短链、中链及铁依赖型长链三个亚家族；
• 多酶固碳体系的 H 蛋白：表现最好的 pinalH02，使甘氨酸浓度达到天然对应蛋白的1.7倍，且来自初轮设计、尚未迭代优化。

值得一提的是，pinalH02 让体系甘氨酸产量提高约70%，且分子动力学模拟提示其转运中间体的「摆臂」更灵活——尽管仍需后续实验检验，但已表明人工设计的蛋白质有机会在特定反应体系中优于天然对应蛋白。

对读研选专业的启示：生物、AI与数据的交叉地带

这项研究深度融合人工智能、蛋白质工程与生物催化，也是港科大（广州）面向绿色生物制造与酶工程需求的一次探索。对计划深造的学生而言，它清晰指向几个交叉方向：

• 生物科学与生物医学工程：生物科学与生物医学工程哲学硕士是做蛋白质工程、合成生物学的直接载体；
• 人工智能：人工智能哲学硕士提供大模型与计算建模的训练，是「AI for Science」的底层能力；
• 数据科学与分析：数据科学与分析哲学硕士则为海量蛋白质—文本数据的构建与评测提供方法支撑。

需要说明：香港科技大学（广州）属港校在内地设立的校区，并非港澳本地院校，但其学位与培养体系与港科大一脉相承。具体招生政策、学费与申请时间，以港科大（广州）官网最新公布为准。更多院校信息见香港科技大学（广州）。

常见问题

问：自然语言设计蛋白质，是不是就不需要做实验了？
答：不是。论文明确指出，模型对精确指定荧光波长等细粒度定量性质仍有局限，计算筛选也无法完全替代真实催化活性测定。现阶段是「AI 生成候选 + 实验验证」的闭环，而非取代实验。

问：Pinal 模型开源了吗？
答：团队同步提供了网页服务与开源代码（GitHub — Denovo-Pinal），论文也给出了原文链接，便于研究者复现与二次开发。

问：这类研究适合什么背景的学生申请？
答：生物、化学、计算机、数学等背景都可切入，关键在于是否愿意做跨学科协作，具体项目要求以官网为准。