世界上有多少种酶？酶是怎么分类的？有多少酶已经工业化生产？
酶学 · 产业情报
世界上有多少种酶？
一个没有唯一答案的问题——因为"一种"在这门学科里有三层含义。
而真正被放大到发酵罐里的，只有十几到几十种。
2026 年 10 月基于 IUBMB / ExPASy / BRENDA / UniProt 及产业报告阅读约 12 分钟
"世界上有多少种酶？"——这个问题几乎每个刚接触生物化学的人都会问一次，而它之所以难答，不是因为数据不够，而是因为"酶的种类"本身有多个互不相等的定义。
按催化的化学反应数，是一个数；按蛋白质分子数，是另一个数；按理论上存在的数量，又是第三个。
这篇文章把三层数字分开说清，再讲清人类用什么体系给它们编号分类，最后落到最实际的一问：到底有哪些酶真的被工厂大规模造出来了。
图 1｜数量之谜。
一滴池水、一撮土壤里就有数百种酶在同时工作。
地球上被正式描述的微生物只有约 42 万种（GenBank），而据估计实际存在的微生物物种以万亿计——每个物种都是一座酶库。
（本文插图为编辑风格概念示意，非实验图像）
01有多少种酶：三层答案
先把结论摆在前面。
同一句"有多少种酶"，在三个不同层次上的答案差了七个数量级：
≈ 7,000反应类型（EC 编号）人类已正式命名的酶催化反应数。
这是最常被引用的"酶的种类"。
≈ 27 万已鉴定的酶蛋白已被识别出、能对应到已知反应类型的酶蛋白数量，其中约 17 万个已有结构。
10¹⁰–10¹⁵理论上存在的酶地球上所有生命形式的蛋白质总量估计，其中约 40% 可能具催化活性。
第一层：反应类型 ≈ 7,000 个
这是学术界与工业界默认的"酶有多少种"的口径——按催化的化学反应来计数，而不是按分子来计数。
同一反应不管由细菌做还是由人做，都算同一种酶。
两个数为什么不一样？因为 EC 编号由 IUBMB 命名委员会统一发布，而 BRENDA 为了收录那些"研究充分但还没拿到正式编号"的酶，自己加了一批预备编号（第四位带字母，如 EC 1.1.1.B3）。
所以 BRENDA 的数总是略高于 ExPASy。
口径提示引用"酶有多少种"时，必须同时给出数据库名称与发布日期。
EC 编号每年新增约 100 个（2026 年 3 月的 BRENDA 2026.1 版本一次就新增了 124 个酶类、更新 750 个），任何"某年之后不再增长"的说法都是错的。
第二层：已被找到的酶分子 ≈ 27 万个
如果换成"我们手上真的有多少个酶蛋白"，数字立刻跳到另一个量级。
一篇发表于 Frontiers 体系的综述给出的统计是：已有约 27 万个酶被识别出来，它们合计支撑约 6,500 种不同的化学反应，其中约 17 万个已经解析出蛋白质结构。
注意这里的落差：27 万个酶分子，对应的反应类型却只有 6,500 种——平均每种反应被 40 多个来自不同物种的同功能酶"分摊"。
这正是酶学的一个基本事实：大自然的冗余度极高，同一个反应在不同物种里被演化出了无数个版本，而工业要做的，就是从这堆版本里挑出最耐热、最耐酸碱、最容易发酵生产的那个。
顺带看一眼参照系：一个大肠杆菌基因组含 4,391 个预测基因，其中约 607 个是酶，催化超过 700 个反应；一个真菌菌株的基因组通常超过 16,000 个基因，其中至少 800 个是酶，支撑至少 1,069 个反应。
第三层：理论上存在 10¹⁰–10¹⁵ 个
把地球上所有生命的蛋白质都算进来，估计在 10¹⁰ 到 10¹⁵ 之间，其中约 40% 可能是具催化活性的酶。
这是一个天文数字，也解释了为什么"发现新酶"这件事至今没有尽头。
但两个更朴素的估算也值得记住。
一是基于基因组预测的经典口径："自然界大约存在 25,000 种酶"（瓦赫宁根大学 Willem van Berkel 的估计，被广泛引用），而当时被表征清楚的只有约 5,000 种。
二是：人类基因组里已知的酶大约 3,000 种，但不同数据库对"人体有多少种酶"的估计从 3,000 到 100,000 不等，差异同样来自"按反应数"还是"按蛋白数"。
一句话回答按反应类型算约 7,000 种；按已找到的酶蛋白算约 27 万个；按理论上存在算 10¹⁰–10¹⁵。
三者都对，只是回答的问题不同。
02怎么分类：EC 编号的四段密码
1961 年，国际生物化学与分子生物学联合会（IUBMB）建立了酶学委员会（Enzyme Commission，EC）分类体系，把酶按所催化的反应类型分成大类，并给每个酶一个四段式编号。
这个体系一直用到现在。
图 2｜分类的依据是反应，不是结构。
酶与底物之间像钥匙与锁孔一样精准匹配；EC 体系正是按"这把钥匙把锁打开了什么"来归类，而不是按钥匙长什么样。
图中环绕的七组抽象图形对应七大类反应（纯示意，非结构式）。
一个 EC 编号由四段数字组成，以句点分隔，例如 EC 3.2.1.1（α-淀粉酶）：
第 1 位（3）＝ 大类：属于哪一类反应； 第 2 位（2）＝ 亚类：反应的底物类型或所涉化学键； 第 3 位（1）＝ 亚亚类：更具体的反应性质（如受体是 NAD⁺、细胞色素还是其他）； 第 4 位（1）＝ 序号：在该亚亚类中的顺序号。关键是最后一句常被忽略的话：EC 编号描述"催化的反应"，与蛋白质的氨基酸序列、三维结构、进化亲缘关系无关。
同一个 EC 号下面的酶，可能来自完全不同的演化路径、序列毫无相似性。
这一点直接决定了工业上的选酶逻辑——编号相同只是起点，性能才是竞争点。
七大类反应
1961 年首版定的是六大类，此后 57 年没有变过。
直到 2018 年 8 月，IUBMB 才把"转位酶（translocases）"正式增补为第 7 类——这是半个多世纪以来该体系唯一一次顶层扩容。
一个容易误会的点：EC 的七大类并不等于工业用途的分类。
工业界更常按"催化功能"粗分成水解酶、氧化还原酶、异构酶、转移酶四大体系——因为工厂关心的是"这个酶能不能洗掉油渍、能不能把淀粉变成糖"，而不是它在学术谱系里挂在哪一支。
03哪些酶真的被工业化生产了
这是最实际的一问，也是最容易说错的一问。
答案是：比你想的少得多。
≈ 7,000人类已命名的酶催化反应类型
数千种已有商品化供应（多为 μg–kg 级的试剂级，供研究用）
＜100 种能实现大规模发酵生产
40–50 种达到工业规模（多公斤级至吨级/年）
这几组数字来自不同文献，彼此印证：酶学教材口径是"数千种酶中约 95% 可作为试剂买到（微克到公斤级），但只有 40–50 种实现工业规模生产（从多公斤到吨/年）"；产业媒体口径是"世界上已发现的酶超过 3,000 种，其中不到 100 种能大规模生产"；欧洲学者的口径是"已表征的几千种酶中，只有 1–2% 用于商业应用，而只有很少几种被大规模使用"。
图 3｜从实验室到发酵罐。
绝大多数工业酶由微生物深层液体发酵生产：发酵周期通常 30–150 小时，罐容多在 10–100 m³，普遍采用底物流加的补料分批（fed-batch）工艺；葡萄糖异构酶等大品种甚至采用连续工艺。
（编辑风格概念示意）
已工业化生产的主要酶品种
可以看出强烈的结构性偏斜：上表 18 个品种里有 12 个属于水解酶（EC 3）。
原因很直接——水解酶在常温常压、水相体系里工作，不需要昂贵的辅酶再生系统，工艺最便宜。
氧化还原酶类虽然增速最快（2025 年报告口径同比约 12%），但基数小得多。
合规口径：一个容易被忽略的"分母"
能进工厂和能进食品是两回事。
以中国为例，《食品安全国家标准 食品添加剂使用标准》（GB 2760-2024）表 C.3 列出"食品用酶制剂及其来源名单"，要求"酶—供体—来源"三项信息同时匹配才算合规，按这一组合口径，"含 66 类共 211 种酶"（依据 GB 2760-2024 实施指南）。
不同法规汇编网站因统计方式不同，会出现 70 种、77 种等不同数字——差异来自"数酶名"还是"数酶+来源组合"。
口径提示看到"允许使用 XX 种食品用酶"这类数字时，先确认它数的是酶的名称数还是名称×来源的组合数。
后者通常大 2–3 倍。
产业格局：寡头 + 区域新势力
全球酶制剂生产的集中度极高。
丹麦的 Novonesis（2024 年由 Novozymes 与 Chr. Hansen 合并）是绝对龙头，加上美国的 IFF（承接原杜邦工业生物科学业务）、DSM-Firmenich、德国 BASF、德国 AB Enzymes、日本 Amano Enzyme，构成第一梯队。
近年一项标志性交易是 Novonesis 以约 15 亿欧元收购 DSM-Firmenich 在饲料酶联盟中的股份，进一步整合饲用酶业务。
中国一侧则是"数量多、单体小、以饲料与洗涤品类为主"的格局，代表性企业包括蔚蓝生物、夏盛集团、溢多利、隆科特、宁夏和氏璧、江苏博立等。
印度 Advanced Enzymes 走的是另一条路——以 65 种左右的自有酶为基础，衍生出 400 多个专有产品配方，靠"配方 × 应用场景"而非"酶品种数"做规模。
04市场规模：为什么不能只给一个数
查"酶制剂市场多大"，会得到一个令人困惑的结果：同一年的同一个市场，不同机构给出的数字相差 2–10 倍。
这不全是错的——口径（是否含医药用酶、是否含试剂、是否按出厂价）不同结果自然不同；但也确实混着一批来源不透明、数字无法回溯的"报告摘要"。
做交叉验证时可以抓两条相对硬的锚点：一是较早的行业基准——全球酶年产量约 11.7 万吨，酶贸易额约占世界贸易总额的 0.037%（约 145 亿美元量级）；二是结构比，比总量更稳定：水解酶占工业酶销售的 47%–55%（不同机构口径），食品饮料是第一大应用（约 30%），洗涤剂与动物饲料紧随其后。
结论不要相信任何单一的酶制剂市场规模数字。
合理表述是"工业酶市场的公开估计落在 60–90 亿美元区间（2025 年，视口径），含医药用酶与试剂的全酶市场约 150 亿美元量级"。
中文报告中出现的数百亿美元量级数字，缺乏可追溯的一手来源，不建议引用。
05数据口径与局限说明
EC 条目数随时间增长。本文引用的 6,965（ExPASy，2026-06-10）与 8,825（BRENDA）均为查询时点的快照，引用时须标注日期。 "27 万个酶"来自综述统计，指被识别出的酶蛋白条目，与"酶的种类（反应类型）"不是同一概念，不可直接相加或比较。 市场规模数据存在系统性分歧，本文已并列 6 家机构并标注可信度，但未能逐一核验其原始方法论；其中三家中文报告网站属内容农场性质，数据不可追溯。 本次文献检索执行情况：跑通 10 个数据源（PubMed、Europe PMC 及其预印本库、OpenAlex、Crossref、DOAJ、UniProt、KEGG、RCSB PDB、CORDIS），去重后得到 53 条记录，其中 9 个源有效返回，KEGG 关键词查询返回 0 条。 未覆盖的部分：日文文献线（CiNii 等）与最新专利线（Google Patents / Espacenet / CNIPA）本次未跑，因此"最新酶工程专利动态"在本篇中缺失，如需可另行检索。 配图说明：文内 3 张插图为编辑风格概念示意图，用于表达结构关系，非真实实验图像或结构式，不可作为技术依据。06主要参考来源
IUBMB, A Brief Guide to Enzyme Classification and Nomenclature——七大类划分，转位酶 2018 年增补为 EC 7。 iubmb.org ExPASy ENZYME 酶命名数据库，Release 2026-06-10，6,965 条活跃条目。enzyme.expasy.org
Hauenstein J. et al., BRENDA in 2026, Nucleic Acids Research 54(D1): D527–D534, 2026-01-06，DOI 10.1093/nar/gkaf1113——112,288 个酶 / 15,335 个物种 / 约 580 万数据点 / 新增 615 个 EC 编号。 BRENDA 官网 All enzymes 页——"Number of different enzymes: 8825"；Release 2026.1（2026-03-04）新增 124 个、更新 750 个酶类。 MDPI Int. J. Mol. Sci. 24(23):16918, 2023, Enzyme Databases in the Era of Omics and Artificial Intelligence——6,710 个活跃 EC 编号、1,346 个已删除/转移、每年约新增 100 个。 FHNW 综述 Enzymes for consumer products to achieve climate neutrality——已识别约 27 万个酶 / 约 6,500 个反应 / 17 万个有结构；全生命蛋白质 10¹⁰–10¹⁵、约 40% 为酶；年产量约 11.7 万吨；大肠杆菌与真菌的酶基因统计。 ScienceDaily, 2011-05-02, Wageningen University（Willem van Berkel）——基因组预测约 25,000 种酶，仅 1–2% 用于商业应用。 Essays in Biochemistry, Enzymes: principles and biotechnological applications, PMC4692135——40–50 种酶实现工业规模生产；发酵 30–150 h、罐容 10–100 m³、fed-batch；酶市场历史规模序列。 Labinsights, Rapid Development of the Industrial Enzyme Industry——已发现酶超 3,000 种，其中不足 100 种可大规模生产；工业酶生产流程六阶段。 Intel Market Research《Industrial Enzymes Market》、Straits Research《Industrial Enzymes Market》、Grand View 系《Enzymes Market》、IIM 信息、GEP Research、产业世界——市场规模与结构数据（口径差异见正文表）。 GB 2760-2024《食品安全国家标准 食品添加剂使用标准》表 C.3 及其实施指南——食品用酶制剂名单"含 66 类共 211 种酶"；chinafooddb、hotofood 等法规汇编的不同统计口径。 PubMed 33555054（Biotechnol. Appl. Biochem., 2021）Enzyme engineering and its industrial applications；PubMed 41985824（2026-04）AI-driven insights into the modulation of enzyme activity toward accelerated industrial applications；PubMed 25747291（Biotechnol. Adv., 2015）Industrial applications of enzyme biocatalysis。 Advanced Enzymes 官网——400+ 专有产品源自 65+ 自有酶。本文数据检索于 2026 年 10 月，所有数字均标注来源与统计口径；不同机构口径不一致处已并列说明。
插图由 AI 生成，属编辑风格概念示意，不代表真实结构或现场。
浙江人形“协同进化论”，率先打通具身智能规模化路径
人形机器人产业正褪去概念热度，步入以规模化应用为核心的「作业时代」。浙江人形机器人创新中心（以下简称“浙江人形”）认为，让机器人真正成为“生产力”，需让智能算法与真实场景协同迭代，硬件本体与实际工况协同适配，工具链开发与工程部署协同闭环。
唯有“技术+硬件+工具链”三者深度联动、同向发力，才能跳出“只会演示、没法干活”的困境，让机器人精准高效完成各类复杂任务。
这一底层逻辑，正是浙江人形在长期实践中沉淀出的「协同进化论」。
一、全栈技术闭环：产品体系的“内生协同” 跳出“拼接算法、堆叠部件”的浅层模式，浙江人形构建SPIRE智能技术体系、NAVIAI硬件矩阵、EvoStack工具链三者内生协同、自驱进化的产品体系，为人形机器人可泛化、高精准作业提供完整能力支撑。
SPIRE智能技术体系通过世界模型和具身模型深度融合、发育进化，适配真实场景复杂作业需求，世界模型SPIRE-WM负责“理解世界”，构建对环境、对象变化规律的统一认知，预测下一步可能发生什么；具身模型负责“精准行动”，结合本体状态和环境信息动态调整机器人动作，让机器人完成复杂作业任务。
其中C2L2大脑模型负责任务拆解与自主纠错，复杂长程任务成功率达94%；M2S2小脑模型则聚焦视、力、触觉多模态融合控制，输出微米级精准动作，轴孔装配精度达0.03mm，柔性布料分片成功率提升至 98%。
依托“人类示教+高保真仿真+真机反馈”三源数据闭环，智能体系在真实作业中持续迭代，完成从“听懂语义”到“做对动作”的本质跨越。
NAVIAI硬件矩阵以“需求定义形态”为核心理念，覆盖全场景：i系列双足人形机器人，力控关节与实时平衡算法加持，复杂地形稳健行走、适应高动态运动，专攻安防巡检；U系列双臂机器人，装配精度0.03mm，专为精密装配与微米级作业而生；WA系列轮臂机器人，重复定位精度0.02mm，一周内极速上线，胜任物流分拣、生化实验等高频流转场景。
同时，浙江人形自研核心部件（谐波臂、一体化关节、400g灵巧手等）国产化率91%，显著压缩成本，夯实规模化基础。
EvoStack工具链通过统一的SDK接口与多功能软件平台，将开发、仿真、部署、运维全流程打通，形成标准化能力复用机制，支撑 “一机通，万机行” 的规模化复制。
三大体系构成内生进化“飞轮”：硬件数据反哺算法，算法升级释放硬件潜能，工具链加速全体系迭代，软硬解耦又深度联动，保障复杂工况下的可靠性与适应性。
二、价值兑现：落地场景的“外延协同” 产品体系的成熟，最终需要在真实场景中兑现价值。
为此，浙江人形以“可泛化高精准作业能力”为核心，形成“技术支撑场景、场景反哺技术”的外延协同进化闭环。
工业制造行业，浙江人形赋予人形机器人精准柔性操作与高效稳定流转的协同作业能力。
在汽车车间，NAVIAI以最高0.03mm精度执行精密装配，让浙江人形与全球最大的汽车主机制造商建立了从研发到生产的深度合作。
在3C产线上，NAVIAI可完成从扫码、撕膜到除尘、贴合的全流程，解决传统产线“一机一序”的刚性瓶颈。
在服装厂，硬件精细操作与智能柔控深度配合，布料分片成功率从行业不足60%提升至98%，单次操作仅需3秒，贴袋全流程仅需50秒，达到人工效率80%。
支撑我们与全球顶尖的纺织设备制造企业签订全球服装业首笔2000台批量订单。
在化工实验室实现1ml级精准分液，既降低人员职业风险，也打通多品牌设备数据孤岛，实现全流程可追溯。
在物流仓储间，NAVIAI WA2轮臂机器人摆脱轨道依赖，单次搬运平均35秒，成功率99%，无需改线即可一周内上线，以“搬拣一体”模式实现了从生产到仓储的全链路柔性协同。
服务行业，浙江人形坚持创造增量价值的突破，做到交互与体验的协同。
在零售商店，“耐味岛”零售舱将冰淇淋制作时效压缩至40秒以内，在华侨城项目中创造33%的引流率，将机器人从售货员升级为集导购、表演、情感陪伴于一体的“经营单元”。
在博物馆、企业展厅、养老院等场所，机器人以99.99%的避障成功率和多模态交互能力，成为智慧城市的新型基础设施。
这种智能化服务与个性化交互的协同，拓展了线下商业的服务半径。
教育行业，浙江人形致力让教学对标产业，让实训接轨实战，实现产教与人才的协同。
产教融入方面，浙江人形牵头成立全国具身智能行业产教融合共同体，为培养未来科技人才开辟重要渠道。
产业端依托熊蓉教授团队学术积淀，在浙江万里学院、驻马店幼专及杭州40万㎡赛训基地搭建“赛-训-链”闭环，配套真机设备与标准化课程，还原22+真实作业场景，定向培养运维与编程人才，从源头补齐产业人才缺口。
数采领域，浙江人形让场景产生洞察，让数据驱动进化，达到作业与数据的协同。
通过EvoStack工具链将海量的真机作业数据进行清洗、标注与回流，构建了涵盖视觉、力觉、运动的多模态数据集。
这些数据反哺SPIRE智能体系，持续提升算法的泛化能力。
这种“作业产生数据，数据驱动模型进化”的协同闭环，为浙江人形技术创新提供了坚实的数据底座。
当技术沉淀转化为千行百业的作业实绩，我们愈发确信：具身智能的终局属于那些沉下心来，让机器人真正融入产业血脉的长期主义者。
从底层技术的协同攻坚到产业场景的价值兑现，这套完整的实践路径，我们将带到2026世界机器人大会现场，呈现工业、商业、家庭等多元作业场景。
浙江人形依托自研具身智能模型赋予NAVIAI跨场景理解与自主决策能力，以泛化精准的作业表现让技术实效真实可感。
诚邀您莅临北人亦创会展中心C-105展位观摩，共探具身智能未来。
来源：浙江人形机器人创新中心
Gemini 4挑战诺奖得主成果，数小时完成5种新酶设计
当地时间 10 月 13 日，谷歌宣布新一代大模型 Gemini 4 Argon 正式向全球开发者和企业开放，同时面向 Gemini 应用、搜索 AI 模式的部分付费用户上线。作为谷歌最新的旗舰模型，Gemini 4 Argon 在多项基准测试中达到前沿水平，并在 Vals AI 综合指数中超过 OpenAI、Anthropic 的竞争模型。
与此同时，谷歌还公布了一项重要的蛋白质设计成果。
研究人员借助 Gemini 4 Argon，在数小时内完成数据整理、模型调优和筛选规则制定，最终得到 5 种全新的人工酶设计。
随后的实验室测试显示，这 5 种设计均表现出较强的催化活性。
这次设计的是丝氨酸酯酶，一类能够催化酯键水解的蛋白质，在药物制造、精细化工和生物燃料等领域具有广泛的应用前景。
过去，想要从头设计一种具有特定催化功能的酶，研究人员通常需要使用多种专业计算工具，经过多轮筛选和实验验证。
巧合的是，就在去年，诺贝尔化学奖得主 David Baker 的团队也在《Science》发表过一项类似研究。
他们利用 RFdiffusion 等专业模型，成功设计出具有催化活性的丝氨酸水解酶。
如今，谷歌将一款面向编程、金融、法律等多种任务的通用大模型，带进了这一专业领域。
数小时设计 5 种新酶，Gemini 4 做了什么？ 从头设计一种具有特定功能的酶，一直是蛋白质工程中的难题。
研究人员不仅要找到合适的蛋白质结构，还要保证它能够催化预期的化学反应。
在这次实验中，研究人员使用 4MU-acetate（4- 甲基伞形酮乙酸酯）作为测试底物。
这种物质在被水解后会释放荧光产物，因此可以通过检测荧光信号，判断新设计的酶是否具有相应活性。
按照谷歌公布的流程，Gemini 4 Argon 首先整理与目标酶相关的数据，随后完成模型调优，并根据生物化学原理制定多个筛选条件。
整个计算过程只用了数小时，研究团队最终得到 5 个全新的酶设计。
后续实验显示，这些设计均表现出较强的催化活性。
这里需要关注的是 Gemini 4 承担的工作。
传统的酶设计需要研究人员掌握不同计算模型的使用方法，根据目标反应调整模型，再结合专业知识筛选候选蛋白。
Gemini 4 作为一款通用大模型，已经能够参与其中的数据处理、模型调整和筛选策略制定，而这些工作通常需要研究人员投入大量时间。
从这次案例来看，Gemini 4 在科学研究中的作用，已经不局限于回答专业问题，而是开始切入模型调整和计算流程改进等实际工作。
不过，这与此前专业团队的做法又有所不同。
Gemini 4 挑战诺奖技术路线，究竟有什么不同？ 2024 年，华盛顿大学教授 David Baker 因计算蛋白质设计获得诺贝尔化学奖。
同年获奖的还有 Google DeepMind 的 Demis Hassabis 和 John Jumper，他们的主要贡献是利用 AI 预测蛋白质结构。
Baker 团队开发的 RFdiffusion，是蛋白质设计领域具有代表性的专业模型。
2025 年 4 月，Baker 参与的团队在《Science》发表论文，展示了如何利用 RFdiffusion 等工具，从头设计具有催化活性的丝氨酸水解酶。
（来源： Science） 这项研究与谷歌此次公布的成果有不少相似之处。
两者都涉及丝氨酸水解酶，也都使用了可以通过荧光信号检测活性的底物，但采用的技术路线有所不同。
Baker 团队使用的是一套由多种专业模型组成的设计流程。
研究人员首先根据目标化学反应，确定酶的催化中心需要具备什么样的结构，再利用 RFdiffusion 生成能够容纳这一催化中心的蛋白质骨架。
随后，通过 LigandMPNN 设计氨基酸序列，使用 Rosetta 优化结构，并借助 AlphaFold2 检查设计出的蛋白质能否按照预期折叠。
此外，团队还使用 PLACER，评估蛋白质在不同反应阶段的活性位点构象，判断它能否支持完整的催化过程。
研究人员将这些工具组合起来，经过多轮计算筛选和实验测试，最终获得了具有持续催化能力的新酶。
这套方法的特点是，每种模型负责一项具体任务，研究人员需要根据实验目标选择工具、调整参数，并决定哪些设计进入下一轮验证。
Gemini 4 Argon 此次参与的工作有所不同。
根据谷歌公布的信息，它主要负责整理相关数据、完成模型调优，并根据生物化学原理制定筛选规则。
这些工作原本需要研究人员结合专业知识和计算工具逐步完成，如今通用大模型已经能够参与其中。
与 RFdiffusion 等专业模型相比，Gemini 4 具备跨领域知识处理、代码生成和多步骤推理能力，可以协助研究人员处理不同环节的任务。
谷歌此次展示的成果，也说明通用模型的作用正在从回答科研问题，扩展到实际的模型调整和候选筛选工作。
不过，谷歌尚未公布此次酶设计使用的完整工具链，无法确定具体的蛋白质结构生成是否仍由专业模型完成。
两项研究的实验结果也暂时无法直接比较：Baker 团队公开了多轮筛选、催化动力学及结构验证数据，谷歌目前仅披露了 5 种设计具有较强催化活性。
因此，Gemini 4 此次展示的进展，主要在于利用通用模型加快专业科研流程。
它能否进一步提高酶的设计成功率，或在催化性能上超越现有专业模型，还有待更多实验结果证明。
通用 AI 进入生物学，专业模型会被取代吗？ 谷歌此次公布的成果，还有一个值得追问的问题。
此前，Google DeepMind 已经开发出 AlphaFold 等专业蛋白质 AI 工具，旗下 Isomorphic Labs 也一直在探索 AI 药物发现。
既然谷歌已经具备这样的专业技术能力，为什么又开始让通用大模型参与蛋白质设计？ （来源：Isomorphic Labs） 一个可能的原因，是科研工作中有许多环节并不直接涉及复杂的分子计算，却同样需要大量时间。
过去，研究人员想设计一种新的蛋白质，可能需要先检索文献、整理数据，再根据研究目标选择不同软件，编写代码、调整参数，随后分析计算结果，决定哪些候选方案值得进行实验。
每一种专业模型都有自己的使用方法和适用范围。
即使研究人员掌握了这些工具，要把它们组合成一套完整的研究流程，也需要投入不少精力。
而通用大模型正在尝试承担其中一部分工作。
研究人员提出目标后，模型可以协助收集相关资料、编写程序、调用其他计算工具，并根据已有结果调整下一轮筛选方案。
这也为专业模型和通用模型的合作提供了空间。
前者负责结构预测、序列设计等具体计算任务，后者则协助组织研究流程，让不同工具能够更方便地配合使用。
谷歌此次发布的其他科研案例，也体现出类似方向。
例如，研究人员利用 Argon 优化开源量子化学软件 xTB，使其分子结构预测速度提升至原来的 2.3 倍，构象搜索速度提升至 1.8 倍。
这里，Argon 并没有取代原有的科学计算软件，而是通过代码优化提高了工具的运行效率。
这类变化可能使未来的科研工作出现新的分工。
专业模型继续在结构预测、分子设计等具体任务上提高准确性，通用模型则帮助研究人员完成数据整理、程序编写、工具调用以及结果分析。
对缺乏专门计算团队的实验室来说，这种方式可能尤其有吸引力。
研究人员不必独自处理所有软件和代码问题，也有机会使用过去需要较多技术支持才能运行的专业工具。
谷歌也在尝试扩大 Argon 的科研用户群体。
此次发布中，公司宣布计划向最多 1 万名符合条件的科学家，免费提供 6 个月 Google Antigravity 最高使用档位，采取滚动审核方式。
未来，这款模型将有机会在更多真实研究项目中接受检验。
参考链接 1.https://blog.google/intl/en-in/products/introducing-gemini-4-argon/ 2.https://www.nobelprize.org/prizes/chemistry/2024/press-release/ 3.https://pmc.ncbi.nlm.nih.gov/articles/PMC12288761/ 4.https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation 运营/排版：何晨龙 注：封面/首图由 AI 辅助生成
