从“万能神药”到“定制免疫”：AI如何重新发明CRISPR基因剪刀？

从“万能神药”到“定制免疫”AI如何重新发明CRISPR基因剪刀前言2026年7月基因编辑领域迎来了一场静悄悄的革命。7月16日CRISPR基因编辑的奠基人、诺贝尔化学奖得主Jennifer Doudna团队在《科学》Science杂志上发表了一项震惊学界的研究他们用AI设计出了一类自然界从未存在过的CRISPR酶切基因比进化了几十亿年的「天然版本」更利索。几乎同一时间中国科学院高彩霞团队在《科学》上提出了「可编程植物合成免疫」的全新理念。美国杜克大学则在《自然》上发布了名为Raygun的AI蛋白质改造工具。三条不同的技术路线加上此前Profluent公司用AI生成的OpenCRISPR-1共同指向一个结论AI正在重新发明基因剪刀——从「发现自然」到「创造自然」生物技术正在经历一次范式级的跃迁。本文将深入拆解这些技术路线解释AI究竟如何「造」出基因剪刀以及这对开发者意味着什么。一、CRISPR的「阿喀琉斯之踵」发现容易改造难CRISPR不是人类发明的。Cas9、Cas12这些基因剪刀全是从细菌身上搬下来的现成「零件」。细菌拿它们抵抗病毒入侵人类看上了这套机制把它挪进实验室就成了能在30亿个碱基里精准找到一个位置下刀的「分子剪刀」。2020年Doudna和Charpentier因「发现」CRISPR-Cas9而获得诺贝尔化学奖。但问题也出在这儿。借来的「零件」尺寸和脾气都不是按人类需求定制的。大多数Cas9蛋白超过1000个氨基酸长理论上的序列空间是20的1000次方——这个数字比可观测宇宙里的原子总数还大出许多个量级。在这么大的空间里能用的方案稀疏得可怜。过去十几年科学家一直在尝试手动改造这些酶想要更小的、更准的、免疫反应更低的、能识别更多靶点的。但蛋白质这东西改不动。Doudna曾对《自然》坦言「Once you start tweaking things, you realize pretty quickly that while you can make changes, they ultimately produce something that isn’t functional.」过去几年同类AI辅助工作虽然有人做过但改动幅度普遍只敢在1%到2%——多改一点就废了。直到2026年7月。二、Doudna团队的两步棋让AI「凭空」造出基因剪刀Doudna团队这次挑的靶子不是Cas9而是一类叫TnpB的微型核酸酶。TnpB仅有约400个氨基酸约为SpCas9的三分之一但保留了RNA引导DNA切割的完整功能。在进化上TnpB是Cas12的「老祖宗」。团队想知道的是这条序列到底能被改到什么程度还保得住编辑基因的能力第一步结构引导的「逆向折叠」研究者把某种TnpB的目标结构——也就是这个蛋白折叠完成后该长什么样——喂给AI模型ESM-IF1然后反过来问它氨基酸序列要怎么改才能让蛋白照样折叠成这个形状。模型吐出了数千种改法。但这一步只解决了「长得像」。蛋白折对了形状不代表它是「活的」——有功能的。第二步进化约束的「功能筛选」于是有了第二步再基于进化信息构建序列掩码——分析数千种天然TnpB的同源序列找出哪些位点在进化中高度保守说明很重要哪些位点与RNA或DNA存在共进化关系说明有相互作用。将这两类关键位点「锁定」其余位置则交给AI自由发挥。具体的技术路线是AlphaFold2结构预测 进化约束掩码喂给ESM-IF1模型生成新序列。两个模型组合起来筛出了一小批合成核酸酶命名为SynTnpB。结果改了30%还能用拿去做标准测试结果在细菌里能编辑在植物里能编辑在人类细胞里也能编辑。其中活性最高的SynTnpB与野生型TnpB的序列同一性仅为77%——也就是说AI改掉了约23%的序列。其中一部分插入或删除目标片段的效率比自然界现存的版本还高。在人类细胞中最高编辑率达到50%约为野生型的1.8倍。研究者还用冷冻电镜解析了其中一种变体的三维结构首次从原子层面剖析了AI设计核酸酶的分子逻辑。苏黎世大学的分子生物学家Soeren Lienkamp如此评价「Much like CRISPR democratized the ability to edit DNA at will, AI-based protein design promises to allow anyone to create totally novel properties in the protein space.」三、先行者Profluent的「OpenCRISPR-1」在Doudna团队之前另一条线早已铺开。由前谷歌研究员创立的AI蛋白设计公司Profluent在2024年4月就绕过了TnpB直接用大语言模型生成了全新的OpenCRISPR-1——一个完全由AI生成的Cas9酶。这个AI生成的Cas9与天然版本存在400多个突变与最接近的天然同源物也有约180处差异。结果同样震撼该剪的地方剪得更利落不该剪的地方几乎不碰脱靶编辑率比最主流的SpCas9低了约95%。Profluent团队系统挖掘了海量基因组和宏基因组数据攒出数百万CRISPR-Cas蛋白的数据库再用蛋白语言模型往外生成。这是AI首次在蛋白设计空间成功创造出能应用于人类细胞的基因编辑工具。四、从「基因剪刀」到「定制免疫」高彩霞团队的范式突破如果把Doudna和Profluent的工作比作「造出了更好的剪刀」那高彩霞团队的工作就是「重新设计了整个防御系统」。7月24日中国科学院遗传与发育生物学研究所高彩霞研究员团队在《科学》上发表论文首次提出「可编程植物合成免疫」新理念。背景植物抗病的「天然瓶颈」植物病害每年给全球农业造成数千亿美元的经济损失。传统抗病育种高度依赖天然存在的抗病基因但已鉴定的抗病基因数量有限且病原物不断变异导致抗性容易被突破。突破从「挖掘」到「设计」高彩霞团队另辟蹊径聚焦一类非典型免疫受体中的「整合诱饵」结构域——它体积小、功能独立具备良好的模块化改造潜力。团队借助人工智能蛋白质设计工具AlphaFold3预测病原蛋白结构BindCraft完成结合蛋白的从头设计针对预测的病原蛋白结构从头设计结合蛋白并将其作为人工「诱饵」整合至水稻免疫受体中形成全新的合成免疫受体。整个设计过程无需依赖已有抗病基因仅凭病原蛋白的预测结构信息即可完成。数据从48到391团队首先针对马铃薯Y病毒衣壳蛋白设计了48个合成免疫受体SPIR其中11个能特异性识别靶标并激活植物免疫反应。随后他们进一步针对13种重要植物病毒以及细菌、真菌、卵菌等病原物的蛋白共设计并测试了391个SPIR其中71个能够特异识别对应病原蛋白并有效激活植物免疫反应成功率达18.2%——首次证明人工智能辅助设计可实现植物免疫受体的从头创制。范式转变这项成果实现了植物免疫受体从「天然挖掘发现」向「人工精准设计」的范式转变推动植物抗病育种从「利用自然」迈向「定向创制」的新阶段。五、Raygun蛋白质的「分子缩小枪」如果说前面三项工作聚焦于「造新酶」和「设计新受体」那杜克大学的Raygun则提供了另一个维度的能力大规模改造现有蛋白质。7月29日美国杜克大学医学院团队在《自然》上发布了Raygun。与从零设计全新蛋白质的路径不同Raygun基于蛋白语言模型开展工作——这类模型通过分析数百万条天然蛋白质序列掌握了氨基酸排列与蛋白质结构、功能之间的潜在规律。团队形容它像一个「翻译器」——从海量数据中提炼出规律在保持蛋白质结构与功能的前提下对其尺寸和性质进行大规模改造。研究者只需用两个参数来控制Raygun一个决定蛋白质序列的改变幅度另一个控制蛋白质变短还是变长。测试表明AI生成的蛋白质保持了预测的结构完整性并保留了重要的功能位点。在活细胞实验中该方法在荧光蛋白、执行关键细胞任务的酶以及参与伤口愈合的表皮生长因子EGF中都得到了验证。Raygun的出现意味着我们不再需要从零设计每一个蛋白质而是可以对现有蛋白质进行「分子级的重构」——就像用AI重写代码一样只不过重写的对象是生命的基本构件。六、全景图AI正在如何「重新发明」CRISPR把以上四条线放在一起可以看到一幅清晰的图景团队/机构技术路线核心成果发表时间/期刊Profluent蛋白语言模型生成全新Cas9OpenCRISPR-1脱靶率降低95%2024年Doudna团队UC Berkeley结构引导进化约束的AI蛋白设计SynTnpB改23%仍保持活性部分超天然2026年7月Science高彩霞团队中科院AI辅助可编程植物合成免疫SPIR平台18.2%成功率精准定制抗病2026年7月Science杜克大学蛋白语言模型大规模改造Raygun两个参数控制蛋白质重塑2026年7月Nature四条路线指向同一个方向AI正在让「设计蛋白质」从一门艺术变成一门工程。七、这对开发者意味着什么1. 蛋白质设计的「编程化」在过去改造一个蛋白质就像在黑夜里摸象——你永远不知道改哪个氨基酸会让整个蛋白失效。而现在AI模型正在把蛋白质序列映射为一个可搜索、可优化、可生成的「设计空间」。对于开发者来说这意味着蛋白质设计正在变得越来越像写代码你有输入目标结构/功能你有模型AI蛋白设计工具你有输出新的蛋白质序列。只不过编程语言从Python变成了氨基酸编译器从GCC变成了扩散模型。2. 数据算力新药Profluent构建了数百万CRISPR-Cas蛋白的数据库。这些数据的规模和处理方式和训练一个大语言模型已经没有本质区别。未来的生物科技公司核心竞争力可能不再是实验室里的移液枪而是数据中心里的GPU集群。3. 从「发现」到「创造」的范式转移正如有人所说诺奖发给Doudna和Charpentier更多奖励的是「发现」而不是「设计」。而2026年7月的这一系列突破标志着生物技术正在从「发现自然」转向「创造自然」。对于开发者而言这意味着一扇新的大门正在打开你不需要成为生物学家也可以参与生物设计——只要你懂AI、懂数据、懂模型。八、展望与挑战当然这些突破远未到「完美」的程度。OpenCRISPR-1的数据出自公司自己公布的研究结果独立复现还需要更多时间。高彩霞团队的SPIR平台成功率18.2%仍有大量优化空间。Doudna团队的SynTnpB虽然在某些靶点上表现优异但能否在所有场景下取代天然酶仍是未知数。但无论如何2026年7月将被铭记为AI重新发明基因剪刀的转折点。几十亿年进化交出的工具正在被AI在设计空间里重写。从「万能神药」到「定制免疫」从「挖掘自然」到「创造自然」——生物技术的下一个十年将由AI来定义。而对于程序员来说这或许意味着下一个改变世界的「Hello World」可能不是写在终端里而是写在蛋白质的氨基酸序列里。