Gemini 4数小时设计5种新酶，通用大模型挑战诺奖级蛋白质设计

当地时间 10 月 13 日，谷歌宣布新一代旗舰大模型 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，谷歌还公布了一项颇具分量的蛋白质设计成果。研究人员借助 Gemini 4 Argon，在数小时内完成了数据整理、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。

这次设计的对象是丝氨酸酯酶——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有着广泛的应用前景。过去要从头设计一种具有特定催化功能的酶，研究人员通常需要组合使用多种专业计算工具，经历多轮筛选和实验验证，整个过程耗时漫长。

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，谷歌把一款面向编程、金融、法律等多种任务的通用大模型带进了这一专业领域，与诺奖级成果形成了正面碰撞。

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。这种物质被水解后会释放荧光产物，因此通过检测荧光信号就能判断新设计的酶是否具备相应活性。

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。

值得关注的是 Gemini 4 在这里承担的具体工作。传统酶设计流程中，研究人员需要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。而 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——这些工作通常需要研究人员投入大量时间和精力。

从这次案例来看，Gemini 4 在科学研究中的角色已经不只是回答专业问题，而是开始切入模型调整和计算流程改进等实际工作环节。不过，这与此前专业团队的做法又有哪些不同？

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。

图｜Baker 团队利用 RFdiffusion 生成蛋白质结构，并通过 PLACER 评估催化位点在不同反应阶段的构象（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，也都使用了可通过荧光信号检测活性的底物，但技术路线明显不同。

Baker 团队采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怎样的结构，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。这些工具被组合起来，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。

这套方法的特点在于：每种模型各司其职，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。整个流程对研究者的专业背景要求相当高。

Gemini 4 Argon 此次参与的工作则有所不同。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，所以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，而谷歌目前仅披露了 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来验证。

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背后，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呢？

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投入实验。

每一种专业模型都有自己的使用方法和适用范围。即便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，也需要投入大量精力。而通用大模型正在尝试接管其中一部分工作。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。

这也为专业模型与通用模型的协作打开了空间。前者继续负责结构预测、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了类似方向。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。

这类变化可能让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大量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。

如果你正在关注大模型在科研与工程场景中的实际能力，Gemini 4 Argon 这次的表现或许是一个值得跟踪的信号。

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/