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Cas9 | OpenCRISPR-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。
