蛋白质远不止是我们在食品标签上看到的营养成分。它们存在于我们身体的每个细胞中，宛如自然界的分子机器，能够行走、伸展、弯曲和灵活变形，完成泵血、抗病、构建组织等多种微观任务。蛋白质的功能不仅源于其形状，更取决于它们的运动方式。

近年来，人工智能技术使科学家能够设计出自然界中不存在的全新蛋白质结构，针对特定功能进行定制，比如结合病毒或模仿丝绸的机械性能以开发可持续材料。然而，仅仅设计蛋白质的结构就像制造汽车车身却无法控制发动机性能一样。蛋白质的微妙振动、形变和机械动态与其功能同等重要。

麻省理工学院的工程师们开发了一款名为VibeGen的人工智能模型，迈出了缩小这一差距的重要一步。如果说“vibe编码”让程序员描述需求后由AI生成软件，VibeGen则让研究者指定蛋白质的“振动模式”，由模型设计出相应的蛋白质序列。

该模型使科学家能够精准控制蛋白质如何弯曲、振动及在环境变化下形态转换，开辟了分子机械设计的新领域。VibeGen基于麻省理工Buehler实验室在科学领域多智能体AI系统的系列突破——多个AI模型协同自主解决复杂问题。

“生命的本质不仅在于结构，更在于运动，”Buehler教授说，“从蛋白质折叠到材料受力变形，都遵循物理基本定律。”

Buehler和前博士后Bo Ni指出，科学界迫切需要具备物理感知能力的AI系统，能够理解运动而非仅仅分析分子静态结构。“AI必须超越静态形态分析，理解结构与运动的内在联系。”

这项发表于《Matter》杂志的研究，利用生成式AI创造具有定制动态特性的蛋白质。

让AI理解运动

蛋白质科学的AI革命主要集中在结构预测上。AlphaFold等工具解决了蛋白质三维结构预测的难题，生成模型则能设计新形状。但这些方法关注的是蛋白质的静止“快照”，忽视了蛋白质功能的关键——运动。“结构预测是一个巨大的挑战，吸引了大量关注，”Buehler说，“但蛋白质的形状只是电影中的一帧，设计空间涵盖了时间和空间，结构只是更广泛流形上的一部分。”科学家们能设计特定架构的蛋白质，却无法指定其构建后如何运动、弯曲或振动。

VibeGen颠覆了传统思路，不再问“这个序列会产生什么形状？”，而是问“什么序列能让蛋白质以指定方式运动？”

为此，Buehler和Ni采用了扩散模型技术，这也是生成逼真图像的AI背后的核心技术。VibeGen从随机氨基酸序列开始，逐步优化，直到得到预测能以目标方式振动和弯曲的序列。

系统由两个协作的智能体组成：一个“设计者”提出候选序列以实现目标运动，另一个“预测者”评估这些序列是否能达到预期运动。两者反复迭代，直到设计稳定满足要求。通过将振动模式作为设计输入，VibeGen将动态特性作为蓝图，结构随之生成。

“这是一个协作系统，”Ni说，“设计者提出方案，预测者进行批评，设计在这种张力中不断完善。”

大多数VibeGen生成的序列都是全新设计，非自然演化的变体。团队通过物理模拟验证了这些设计，蛋白质确实按照预期振动和弯曲。

研究发现，许多不同的蛋白质序列和折叠方式都能满足相同的振动目标，这种现象被称为功能简并。进化选择了其中一种方案，而VibeGen揭示了更多可能的替代方案——结构和序列不同但运动方式相同的蛋白质。“这表明自然只探索了可能性的一小部分，”Buehler说，“对于任何动态行为，可能存在庞大的未开发设计空间。”

分子工程的新前沿

控制蛋白质动态性能具有广泛应用前景。在医学领域，能够按需改变形状的蛋白质潜力巨大。许多治疗蛋白通过结合病毒、癌细胞或受体发挥作用，其结合效果不仅取决于形状，还依赖于适应目标的灵活性。运动设计的蛋白质能更精准结合，减少副作用，提升药物安全性和疗效。

在材料科学领域，蛋白质分子层面的机械性能决定材料表现。丝绸和胶原蛋白等生物材料的强度和韧性源于分子构件的协调运动。设计更坚硬、柔韧或特定振动模式的蛋白质，有望开发新型可持续纤维、抗冲击材料或生物降解塑料替代品。

Buehler还设想了更多可能：建筑或交通工具中含有蛋白质成分的结构材料，能在机械应力后自我修复，或根据负载自动调整。

通过将运动作为直接设计参数，VibeGen让蛋白质不再是静态形状，而是可编程的机械装置。这一进展连接了人工智能、医学、合成生物学和材料工程，推动分子机器设计达到桥梁、发动机或微芯片般的精准和目的性。

“VibeGen能探索未知领域，提出超越自然演化的蛋白质设计，完全按照我们的需求定制。就像发明了一台按需设计分子机器的新型创作引擎，”Buehler总结道。

研究团队计划进一步完善模型并在实验室验证设计，同时希望将运动感知设计与其他AI工具结合，打造不仅动态且多功能的蛋白质机器，能感知环境、响应信号并实时适应。

“‘vibe’源自振动，这不仅是文字游戏，”Buehler说，“对蛋白质而言，vibe就是物理，是决定分子功能的运动模式，是生命的机械核心。”

该研究获得美国农业部、MIT-IBM Watson AI实验室和MIT生成式AI计划的支持。