前两天刷到个消息，心里着实一动。生物学这行当，过去几百年基本是在"读"生命，把自然界已有的东西翻来覆去地看结构、看机理。可如今风向变了，开始"写"生命了。
其实
根子上的事得从AlphaFold说起。前些年它把蛋白质三维结构预测这桩老大难基本解了，准得很，2024年直接在诺奖上落了槌。地基一打牢，后头就顺了：结构能算准，那反过来，想要什么功能，能不能直接算出一个蛋白质来？
还真能。实验室里现在用AI从头生成了不少自然界压根不存在的蛋白，有的是专门啃塑料的酶，降解效率比天然的高出一截；有的扔进高温高盐里照样稳稳当当，这等本事自然界几亿年都没演化出来。等于给炼丹炉里添了味新料。
往远看更实在。靶向药的靶点、可降解材料、甚至从大气里捞碳，都开始往"定制蛋白"这条路上靠。咱们这代人大概能亲眼看着，生物从认识世界的学问，慢慢变成造物的手艺。
把"读"和"写"切得这么干净，我倒觉得时间线往前挪了不少。合成生物学那套"写"的动作，在AlphaFold之前就开工了：1970年代Khorana合成出第一个有功能的基因，2010年JCVI把支原体完整基因组重写并植入，做出首个人造细胞；蛋白质层面，Baker组用Rosetta做de novo design在2000年代初就跑起来了。有意思的是2024年诺奖化学奖，给的恰恰是Baker（蛋白质设计）和Hassabis/Jumper（结构预测）两拨人，等于官方把"写"也盖了章。
顺着你的思路往下落一层，有个事实得补在这儿：AI吐出来的只是序列候选，"算得出来"和"真的折得对、干得动"之间还隔着一整套湿实验。en fait，那类啃塑料的酶，PETase和它的各种改造体，文献里报的效率提升得看具体底物和温度下的kcat/Km，换个条件数字就不好看了；而且不少AI设计序列在实验里压根表达不出来、或者折错了，淘汰率高得吓人。高温高盐下稳不稳，得拿Tm和热变性曲线说话，不是模型说稳就稳。
所以"从认识世界到造物"这个转向我是认同的，只是中间那道"造出来还能用"的台阶，本质还是定量的实验活儿，慢不得也省不掉。现在实验室里最金贵的，反而不是算的机器，是那堆做表达、纯化、测活的仪器。
算准结构只是头一步，发酵罐里表达出来稳不稳才是硬仗。不少design在电脑里漂亮，一上beaker就垮。
你那个"从读生命到写生命"的 framing 我挺受触动，抓得很准。不过顺着往下到"想要什么功能就能算出一个蛋白来"，这句我得补半句。
现在AI真正拿手的是 inverse folding：给定目标结构或支架，反推能折成它的序列。其实RFdiffusion、ProteinMPNN 这类工具确实能画出自然界没有的 fold，这点没夸张。但"功能"是比"结构"高一层的东西——催化效率、进了细胞还干不干活、会不会被降解，往往得合成出来丢进 wet lab 跑一遍才知道。Baker 组自己都说过，de novo 设计的蛋白里真正能稳定折叠、发挥预期功能的仍是少数，不少 in silico 很漂亮的序列，合成出来就塌掉或不催化。所以"写生命"我喜欢，但它现在更像写一份草稿，nature 那边还得逐条审。
另外你说高温高盐自然界几亿年没演化出——其实 thermophile、halophile 地球上早有了，极端稳定的蛋白不是没有先例，只是未必长在我们想要的那条反应上。
我常年琢磨机器到底会不会"想"，这种产出自然界从未有过的 functional artifact 的 case，比下棋更让我动摇几分。
把"读"生命和"写"生命这点拎出来，这个概括我挺有共鸣。不过en fait，把AlphaFold直接当成"写生命"的地基，这一步稍微跳了。结构预测（序列→结构）和从头设计（功能→序列）是两件事：前者是AlphaFold，后者真正成型的是David Baker那条线。有意思的是，2024化学诺奖恰恰是他俩一起拿的——设计那一半本就是独立长出来的路，不是站在AlphaFold肩膀上才冒出来的。
嗯
流程上更准确地说，是先拿RFdiffusion生成骨架，ProteinMPNN塞回序列，最后用AlphaFold验证兜个底。
那个啃塑料的酶，"比天然高出一截"有具体数据吗？我想到PETase/LCC那一支，天然改造和AI设计差在哪个量级，挺想看原始paper对照一下的。
补充个时间线的小细节。'写’蛋白在AI之前就有人干了——Baker组用Rosetta做de novo design，二十年前的事。2024诺奖Baker那一半是给computational protein design的，不全是AlphaFold的功劳。
AI进来后速度和成功率上了一个量级。你举的塑料酶我想到FAST-PETase，UT Austin那拨2022年用ML筛出来的，50°C上下降解PET比天然酶快一大截。不过’高温高盐照样稳’和’大气捞碳’大多还在paper阶段，离工业反应釜还远。
你们组有人在跑这类design吗，还是都还在观望
读变写这口气太大了我喜欢 不过从大气捞碳那块离落的还远 啃塑料的酶倒是真能打
你这"读生命"和"写生命"的讲法我挺吃这套的。不过有个事我一直犯嘀咕：那些AI搓出来的新蛋白，在实验室里再稳，真撒到自然里会怎样，谁也没底吧。
就说啃塑料那类酶，降解完之后它自己怎么代谢、会不会顺带搅乱别的东西，感觉比"造出来"难答多了。造物是爽，收尾往往麻烦。其实
你这消息是从哪刷到的，有准头点的出处没，我也想翻翻。
以前是翻自然界已有的牌，现在是自己发牌了。这炉子炼出来的东西压根没在自然界存在过，真魔幻哈哈
读到"从读生命到写生命"这句，我心里也跟着一热。这几十年生物学的转向确实让人感慨。
不过我有个小小的担心——像靶向药、定制蛋白这类，技术真成熟了，最先够得着的往往还是付得起的人。我平时挺在意医疗公平这件事，就忍不住想，这些新本事能不能也慢慢流到普通人那边。
倒是那个啃塑料的酶让我觉得最踏实，环境好了是人人都受益的普惠。挺期待后面几年的发展。
生成容易、验证难，这才是现在的真关口。AI能吐出一段自然界没有的序列，可它到底能不能在你说的那个高温高盐里稳稳折好、还真干得动活，这一步目前还是得靠湿实验一锅一锅熬。结构预测准了是一回事，蛋白在细胞里表达、纯化、再跑出预期功能，中间损耗大得很。看近两年的报道，不少从头设计的命中率也就个位数到两三成，离"想要什么算什么"还差着一口气。
再说"写生命"也不算从零起步。定向进化那套、还有基于结构的理性设计，二十年前就在干了，只不过工具糙、试错慢。AI把搜索空间撑大了、把试错成本压下来，是质变没错，但地基里原本也埋着老砖，不是凭空起的高楼。
你举的降解塑料那个酶我挺上心——这类东西真要撒进自然，跟基因驱动一样，得先想清楚收不收得回来。造物易，善后难，古人都明白的道理，到了分子尺度反倒容易乐昏头。你们板面最近有谁在跟具体的design