AI设计“药物制造微生物”的组件，产量最多提高约3倍

AI设计了“药物制造工厂”的部件

在寻找新药时，找到有前途的物质和生产足够的这种物质是两个不同的难题。

微生物等产生的天然物质中，有些可以用于药物开发。然而，将自然界中发现的物质改良为适合人类治疗的形式，并确保研究所需的量，并非易事。这是因为在细胞内制造物质的机制非常复杂。

利用人工智能重新设计这些生产装置的一部分的研究正在进行中。

德国亥姆霍兹制药研究所萨尔兰（HIPS）的研究团队利用AI设计了在组装天然物质的巨大酶内部工作的蛋白质部件。他们在活细胞中进行了测试，并证明其中一些部件是有效的。在特定的酶系统中，与使用天然部件相比，生产量最多增加了约3倍。

这并不是说AI创造了一个完整的新药，而是展示了改良微生物“制造机制”的可能性，以寻找药物候选物。

微生物中的精密“分子组装线”

研究的对象是被称为“非核糖体肽合成酶”的巨大酶群。它们的英文缩写为NRPS。

仅凭专业术语可能难以理解，但其工作原理可以比作工厂的组装线。多个部件分担角色，接收材料，加工并传递到下一个工序。通过这些部件的协作，形成了具有特征的化合物。

NRPS生产的天然物质中，有些是抗菌药、免疫抑制药和抗癌药开发的基础。因此，如果能够自由地重新组合这种机制，可能会产生具有不同性质的物质。

然而，生物的组装线并不像市售的积木那样容易更换。

如果更改某个部分的设计，可能会破坏与相邻部分的协作。材料的传递可能会停止，导致整个酶无法工作。即使部件本身的形状完美，也不一定能在生产装置中发挥作用。

AI设计的“运输角色”

Kenan Bozhüyük博士及其团队关注的是NRPS中的“硫酰化域”，简称T域。

它负责接收生产中的分子，并将其运送到下一个处理部位。换作工厂的术语，它类似于连接工序与工序的可动运输臂。

研究团队结合多个预训练的AI模型和实验，设计了76种新的T域。他们将这些部件整合到各种NRPS中，并在活细胞中验证了数百种酶的变体。

关键在于，他们没有仅仅停留在计算评估AI提出的设计上，而是实际制造、整合并检查是否能生成产物。

结果表明，AI设计的部分部件是有效的。有些人工组合的酶系统能够生产物质，或提高了生产量。至少有一种设计的蛋白质比相应的天然蛋白质更易溶解，对热更稳定。

“最多约3倍”意味着什么

此次成果中引人注目的是生产量最多增加约3倍的数字。

然而，这并不是所有设计部件或任何物质都能获得的结果。这是特定酶系统和条件下确认的改进，并不意味着药效增加了3倍，或药物开发时间缩短为三分之一。

即便如此，生产量的改善在研究上具有意义。

即使产生了新物质，如果量太少，就难以详细研究其结构和性质。如果能确保足够的量，就更容易验证其分子特性和作用。

因此，提高生产效率的技术不仅与未来的大规模制造有关，也对药物开发初期阶段将候选物质置于“可详细研究的状态”至关重要。

成功的关键在于部件的性能而非“与邻接部分的相容性”

理解此次研究的重要之处在于，设计的部件与其周围环境的适配。

即使运输角色单独稳定，如果无法与接收材料的对象或传递对象良好接触，组装线也无法运作。需要将生产中的分子适当地传递到合适的位置。

研究团队不仅将T域视为独立的蛋白质，还重视其在酶中与相邻区域的相互作用。

这显示了在生物设计中使用AI的难度。制造“看似合理的部件”和制造“在复杂装置中工作的部件”之间存在距离。

Bozhüyük博士也解释说，AI并不是实验的替代品，而是帮助从众多候选中高效选择有前途的选项。推动研究进展的是设计与实验的反复过程。

SNS上研究相关者的期待，强调条件性成果

在SNS上可以确认的关于这项研究的发布，主要是研究者本人或相关研究组织在LinkedIn上的帖子。尚未确认在普通用户中广泛讨论的信息，这里介绍与研究直接相关的发布。

Bozhüyük博士在论文审阅前阶段介绍了成果，解释了设计76种T域，并在细胞内构建和测试了578种重组NRPS。他明确指出，生产量最多增加约3倍的改善依赖于周围的构成等条件。

此外，他还征求了关于设计中部件接合部分和相互作用对象的意见。这不仅仅是简单地宣传成功，而是试图讨论在何种条件下设计才能发挥作用。

相关研究组织PharmaScienceHub也重新分享了这项研究，并对未来的发展表示期待。

这些并不是2026年10月新闻发布后收集的一般读者的反馈，而是从此之前的预印本阶段起在研究社区内的发布。考虑到这一范围，值得注意的是，与其期待“仅靠AI就能制药”，不如说是增加了改良复杂酶的具体手段。

对日本药物开发的重要性

如果从日本的角度考虑这一成果，值得关注的是连接预测候选物质的技术与实际生产技术的部分。

即使在计算上有吸引力的物质，如果不能生产出足够的量，就难以推进后续的评估。如果能像这次一样改良生产装置，可能会将以前难以获得的物质作为研究对象。

此外，如果能够以天然物质为起点，分离出结构稍有不同的物质，比较研究的候选范围也将扩大。然而，仅凭这次的成果，并不能证明这种发展能广泛实现。

日本的大学和制药企业在考虑应用时，仅靠AI的提案能力是不够的。将处理微生物的技术、评估蛋白质的技术以及分析生成物质的技术结合起来是至关重要的。

这项研究表明，最终验证AI价值的地方也是实验室。

通往新药的道路仍在继续，但降低“制造壁垒”的价值依然存在

此次报告是为了改良生物生产装置的基础研究。并未确认任何新治疗药物在人类中的有效性或安全性。

今后，是否在其他酶系统中也能通用这种方法，哪些部件组合能发挥作用，能否连接到稳定生产，将成为课题。如果生成的物质成为药物候选，还需详细验证其作用和安全性。

即便如此，除了直接使用自然界中发现的生产装置外，选择的增加意义重大。

获取微生物制造的复杂分子，以更灵活、更易于研究的量。AI设计的小型运输部件为此提供了帮助。

药物开发的未来可能不仅在于发现显眼的“新药候选”，也在于通过改良这些部件使候选物质能够实际生产。

出处

1. Phys.org：
   2026年10月21日发布。介绍了HIPS通过AI设计的T域、细胞内的验证、生产量的改善以及研究者的解释。
   https://phys.org/news/2026-10-ai-functional-enzyme-components-drug.html

2. Nature Communications：研究论文的发表信息
   Emre F. Bülbül等人“Generative AI designs functional thiolation domains for reprogramming non-ribosomal peptide synthetases”。2026年9月22日发布。与研究介绍文章的发布日期不同。Nature Communications
   https://doi.org/10.1038/s41467-026-77963-6

3. Kenan Bozhüyük的LinkedIn帖子：研究者本人在SNS上的发布
   在预印本阶段介绍成果。确认了76种设计、578种重组NRPS的测试、生产量改善依赖于条件以及对设计的意见征求。Kenan Bozhüyük
   https://www.linkedin.com/posts/kenan-bozh%C3%BCy%C3%BCk-16a29924b_proteindesign-syntheticbiology-nrps-activity-7435231632892207104-qbGo

4. PharmaScienceHub的LinkedIn帖子：相关研究组织的反应
   重新分享研究并对未来的发展表示期待的帖子。作为研究相关组织的反应介绍，而非一般舆论。PharmaScienceHub (PSH)
   https://www.linkedin.com/posts/pharmascihub_were-excited-to-reshare-a-new-preprint-by-activity-7435264559105417216-677m