开场：一个"吃塑料"的细菌
2016 年，日本科学家在垃圾填埋场发现了一种细菌——Ideonella sakaiensis——它能"吃"PET 塑料。PET 是你喝的可乐瓶、矿泉水瓶的主要材料。自然界中几乎没有任何生物能降解 PET，因为这个材料在 70 年前才被发明，进化还没跟上。
但 Ideonella sakaiensis 的降解效率很低——它需要 6 周才能分解一小片 PET 薄膜。对于每年 4 亿吨的塑料生产量来说，这个速度太慢了。
2025 年，AI 合成生物学团队重新设计了 Ideonella sakaiensis 的 PET 降解酶——PETase。AI 设计的 PETase 2.0 的降解效率是自然界原始版本的 38 倍。 它可以在 24 小时内将 PET 塑料分解为其原始单体（对苯二甲酸和乙二醇），这两种单体可以重新聚合成新的 PET——实现"塑料到塑料"的闭环回收。
合成生物学：用 DNA 编程生命
合成生物学将生命视为"可编程的硬件"。如果你把 DNA 看作代码，把核糖体看作编译器，把蛋白质看作执行程序——那么合成生物学就是"用 DNA 编程"。
传统合成生物学的问题是：你不知道你的代码会在细胞里产生什么效果。 你设计了一段 DNA 序列，期望它编码一个高效降解 PET 的酶。但有几个可能的问题：
- 这段 DNA 可能根本不被细胞转录（表达失败）
- 转录出来的 mRNA 可能被降解（稳定性问题）
- 翻译出来的蛋白质可能折叠错误（失活）
- 折叠正确的蛋白质可能被细胞的蛋白酶降解（半衰期问题）
- 即使一切正常，蛋白质的活性可能远低于预期（功能问题）
AI 合成生物学的目标是：在 DNA 被合成之前，就预测上述所有问题。
AI 合成生物学的工作流
让我带你走一遍 AI 合成生物学设计 PETase 2.0 的过程：
第一步：酶结构预测。 用 AlphaFold 3 预测天然 PETase 和 PET 底物结合时的 3D 结构。找出了 PETase 的活性位点（催化中心）和底物结合口袋。
第二步：突变扫描。 AI 在硅片上（in silico，即模拟）对 PETase 活性位点周围的 50 个氨基酸进行"饱和突变"——将每个氨基酸替换为其他 19 种氨基酸，观察对 PET 结合能力的影响。计算了 50×19=950 种突变体的结构。
第三步：活性预测。 用分子动力学模拟筛选出 10 个最"有希望"的突变体——这些突变体在模拟中表现出更强的 PET 结合能力和更高的催化效率。
第四步：组合设计。 AI 将这 10 个有益突变组合起来，设计了 PETase 2.0——包含 5 个氨基酸突变，全部位于活性位点周围。
第五步：实验验证。 在实验室中合成 PETase 2.0 的 DNA，在大肠杆菌中表达，纯化蛋白质，测试对 PET 的降解活性。结果：38 倍提升。
2025 年的其他合成生物学突破
突破一：AI 设计"碳固定"通路。 2025 年，MIT 的团队用 AI 设计了一条全新的碳固定代谢通路，理论上比植物的卡尔文循环（Calvin cycle）效率高 30%。这条通路包含 6 个酶，其中 3 个是 AI 从头设计的，在自然界中不存在。在大肠杆菌中表达后，CO2 固定速率比野生型菌株高 2.5 倍。
突破二：AI 优化"微生物工厂"。 2025 年，Zymergen 的 AI 平台优化了酵母菌中的人造肉蛋白（血红蛋白）生产。AI 预测了 12 个基因编辑位点，将血红蛋白产量提升了 5 倍。这种酵母生产的血红蛋白被 Impossible Foods 用于植物肉产品中，模拟肉类的"血色"和"铁味"。
突破三：AI 设计"生物传感器"。 2025 年，苏黎世联邦理工学院的团队用 AI 设计了一个能检测"百草枯"（一种剧毒除草剂）的蛋白质传感器。这个传感器在试管中能检测到 0.1 ppb（十亿分之一）的百草枯，灵敏度比传统化学检测方法高 100 倍。
合成生物学的 AI 挑战
挑战一：细胞是"混沌系统"。 AI 可以在试管中设计一个完美的酶，但把这个酶放进活细胞中，效果可能完全不同。细胞内有 1000 万种分子，它们会与你的酶相互作用，产生难以预测的结果。
挑战二：进化选择压力。 你设计的基因编辑可能会给细胞带来"代谢负担"——生产 PETase 需要消耗细胞的大量能量和资源。如果 PETase 不能给细胞带来生存优势，细胞会在几代之内"退化"——通过突变将 PETase 基因"关闭"。
挑战三：生态风险。 如果一种"吃塑料"的微生物从实验室逃逸到环境中，它可能产生不可预测的生态后果。虽然目前的设计中包含了"自杀开关"（如依赖实验室提供的特定营养物质），但没有任何生物安全措施是 100% 可靠的。
结尾：生命 2.0
合成生物学正在从"艺术"变成"工程"。以前，设计一个能降解塑料的酶，需要 10 年时间、大量运气和无数次失败的实验。现在，AI 在几周内通过计算完成了大部分设计工作。
但 AI 不能替代实验。 PETase 2.0 的 38 倍效率提升，是在 AI 预测的 10 个候选突变体中，经过实验验证发现的。AI 缩小了搜索范围，但实验是最终的裁判。
AI 合成生物学的未来，是"用 AI 设计，用实验验证，用 AI 优化，再实验验证"的循环。 在这个循环中，每一次迭代都比上一次更快、更准。我们正在从"偶然发现"走向"理性设计"——而这，正是合成生物学从诞生之初就追求的梦想。
推荐阅读：AI 设计 PETase 2.0 论文 (Nature Catalysis, 2025)；MIT 碳固定通路设计 (Science, 2025)；合成生物学 AI 综述 (Nature Reviews Molecular Cell Biology, 2025)