AI 设计肽——从 2024 诺贝尔奖到下一代护肤革命

文章转自：广东药妆齐院长｜原文链接

今天要讲的，是一个完全不同的话题 —— 不是某一个具体的肽，而是一种全新的「肽设计范式」——AI 设计肽（AI-Designed Peptides）。

2024 年 10 月 9 日——全球科学界发生了一件大事：诺贝尔化学奖颁给了三位科学家——David Baker（美国华盛顿大学）因「计算蛋白质设计」获奖，Demis Hassabis 与 John M. Jumper（Google DeepMind）则因开发「AlphaFold」——一项预测蛋白质结构的 AI 系统——共享另一半奖项。

这是诺贝尔化学奖历史上第一次——为「人工智能驱动的科学突破」颁奖——意味着 AI 已经从「辅助工具」正式登堂入室成为「变革性的科学力量」——而这场变革的核心战场之一——正是「肽与蛋白质设计」。

短短数年之内——AlphaFold2 预测了约 2 亿个已知蛋白质的结构[6]——累计被 190 个国家、超过 200 万研究者使用 ——而 Baker 实验室的 RoseTTAFold、RFdiffusion、ProteinMPNN 等工具——让科学家可以「从零设计自然界从未存在过的蛋白质和肽」——这是一场堪比「印刷术」「互联网」的工具革命。

而这场革命已经开始悄悄进入化妆品和护肤领域——2024 年发表的 Scientific Reports 论文中——研究者用深度学习设计了 42 个全新的抗痤疮肽——其中 5 个显示出对痤疮丙酸杆菌的强效抑制活性 。化妆品行业巨头如 Sederma、Lipotec、Givaudan 都已在大规模投入 AI 肽设计平台。

这篇文章会基于 2024 诺贝尔奖资料、Nature、Scientific Reports 等同行评议期刊文献、Baker Lab 公开资料、行业报告等可查证来源——带您系统理解「AI 设计肽」这一前沿话题——它是什么、怎么实现的、已经取得了哪些成果、对护肤行业意味着什么——让您下次再看到「AI 肽」「计算肽」「De Novo Peptide」这些前沿词汇时——多一份从容的理解。

 

CHAPTER 01

范式革命：从「试错筛选」到「智能设计」

传统肽研发的「试错时代」

要理解 AI 设计肽的价值——先要理解传统肽研发的局限：

在过去几十年里——化妆品级肽的开发主要依赖三种路径：

▸ 路径 1 · 自然来源仿制：从胶原蛋白、免疫球蛋白、神经递质等天然分子中——识别出有活性的「肽段碎片」——直接合成或加以修饰——例如 GHK（来自胶原降解片段）、GQPR（来自 IgG 序列）。

▸ 路径 2 · 经验性优化：对已知活性肽进行「氨基酸替换」「N/C 端修饰」「棕榈酰化」等改造——期望获得更好的稳定性、透皮性、活性——典型案例是 Pal-GHK（GHK + 棕榈酸）、Argireline（SNAP-25 N 端片段）。

▸ 路径 3 · 高通量筛选：合成大量随机或半随机的肽库——通过细胞实验、酶学实验筛选活性肽——这种方法成功率低、成本高、周期长——一个有用的肽从设计到上市通常需要 5-10 年。

这三条路径有一个共同特点——「严重依赖自然界已存在的肽」——人类无法跳出「自然进化提供的氨基酸序列空间」——而这只是「全部可能序列」中极小的一部分**。

“

20 个氨基酸 · 一个 10 氨基酸长度的肽
就有 20¹⁰ ≈ 10 万亿种可能组合
自然界只探索了其中极小一部分
剩下的「未探索空间」· 就是 AI 即将打开的宝库

”

AI 设计肽的「新范式」

AI 设计肽彻底改变了这种「自然受限」的格局 ——它建立了一种全新的「预测 – 设计 – 验证」方法论：

▸ 第 1 步 · 「预测」：用 AI 工具（如 AlphaFold）——预测给定氨基酸序列会折叠成什么三维结构——精度达到原子级别。

▸ 第 2 步 · 「设计」：用生成式 AI 模型（如 RFdiffusion、ProteinMPNN）——给定一个目标结构或目标功能——反向生成能实现这个目标的氨基酸序列。

▸ 第 3 步 · 「验证」：把 AI 生成的候选肽真实合成出来——在细胞实验和临床实验中验证活性——形成「计算 → 合成 → 测试 → 反馈」的闭环。

这种范式的颠覆性在于——「人类不再被自然进化的样本所限制」——可以根据需求「定制化设计」任何想要的肽分子——包括「自然界从未存在过」的全新结构。

— · —

CHAPTER 02

2024 诺贝尔奖：AI 蛋白设计的里程碑

三位诺奖得主 · 一场科学革命

2024 年 10 月 9 日——瑞典皇家科学院宣布[1][2][3]：诺贝尔化学奖授予三位科学家——

✦ David Baker（美国华盛顿大学）：因「计算蛋白质设计（computational protein design）」获奖——奖项的一半——他的实验室开发了 Rosetta、RoseTTAFold、RFdiffusion、ProteinMPNN 等一系列里程碑工具。

✦ Demis Hassabis（Google DeepMind CEO）：英国伦敦人，1976 年出生——人工智能领军人物——Google DeepMind 联合创始人。

✦ John M. Jumper（Google DeepMind 研究员）：AlphaFold 项目的核心研究员——与 Hassabis 共享奖项的另一半——因「蛋白质结构预测（protein structure prediction）」获奖。

他们的工作——被瑞典皇家科学院评价为「揭开了蛋白质的奥秘」——让人类第一次掌握了「生命基本工具」的设计能力。

 

AlphaFold · 一个改变生物学的 AI

AlphaFold 是 Google DeepMind 开发的「蛋白质结构预测 AI 系统」——它的发展轨迹本身就是一部 AI 科技史：

▸ AlphaFold（2018）：DeepMind 在 CASP13（蛋白质结构预测大赛）上首次亮相——初步展示了 AI 在结构预测上的巨大潜力。

▸ AlphaFold2（2020）：在 CASP14 上取得突破性精度——Jumper et al. 2021 Nature 发表方法论文[15]——预测精度达到了原子级别——实质性解决了困扰生物学界 50 年的「蛋白质折叠问题」。

▸ AlphaFold 蛋白结构数据库（2021）：DeepMind 与 EMBL-EBI 合作——公开了约 2 亿个已知蛋白的预测结构[6]——截至 2024 年 10 月，已被 190 个国家、超过 200 万研究者使用 ——这是人类生物学知识的一次「民主化」。

▸ AlphaFold3（2024）：Abramson et al. 2024 Nature 发表[17]——能同时预测蛋白质、DNA、RNA、配体的结构和相互作用——精度进一步提升。

 

Baker 实验室 · 设计蛋白质的「魔法工坊」

David Baker 教授位于华盛顿大学的「蛋白质设计研究所（Institute for Protein Design, IPD）」——被誉为「全球蛋白设计的圣地」[1][7][8][18]。他的实验室开发的工具体系：

✦ Rosetta：Baker 实验室开发了几十年的传统蛋白设计软件——为后来的 AI 工具奠定了「蛋白能量评分」基础——也是诺奖正式肯定的核心贡献之一。

✦ Top7（2003）：Baker 团队设计的「第一个完全不同于所有自然蛋白」的全新蛋白质——这是「De Novo Protein Design（从零设计蛋白）」领域的里程碑——证明了「人类可以创造自然进化从未涉及的分子」。

✦ RoseTTAFold（2021）：Baker 实验室的「自有版本」结构预测工具——与 AlphaFold 同期发表——让结构预测的「开源版本」广泛可用。

✦ ★ RFdiffusion（2023）：基于「去噪扩散生成模型（denoising diffusion）」的蛋白质设计 AI——就像 Stable Diffusion 生成图像那样——RFdiffusion 可以生成「有特定结构和功能的新蛋白」——这是 AI 肽设计的革命性工具。

✦ ProteinMPNN（2022）：给定一个目标三维结构——ProteinMPNN 反向生成「最有可能折叠成这个结构的氨基酸序列」——这是「结构 → 序列」反向设计的核心工具。

— · —

CHAPTER 03

技术核心：AI 如何「设计」一个肽？

AI 设计肽的「三大支柱」

AI 设计肽的整个流程依赖于三类关键 AI 技术：

 

支柱 1 · 蛋白质语言模型（Protein Language Models）

蛋白质本质上是「用 20 个氨基酸字母写成的「生命语言」」 —— AI 科学家发现——自然语言处理（NLP）领域的「Transformer 大模型」完全可以应用到蛋白质上：

▸ ProtTrans / ESM-2：Meta、Google 等公司开发的「蛋白质 Transformer 大模型」——类似 GPT 但训练数据是几亿个蛋白质序列——学会了「蛋白质语言的语法」——能为任何序列生成「特征向量」用于下游任务。

▸ 蛋白质 Embedding：将每个蛋白质或肽转化为一个「高维向量」——这个向量包含了关于这个肽的所有「生物学含义」——类似 ChatGPT 把单词转化为 embedding。

 

支柱 2 · 结构预测 AI（AlphaFold 系列）

给定一个氨基酸序列——AlphaFold 等 AI 可以预测它会折叠成什么三维结构：

▸ 输入：氨基酸序列（如 AAGRVKHQI…）+ 进化协变信息（同源蛋白序列对齐）。

▸ AI 处理：Transformer 架构 + 几何等变神经网络——学习氨基酸残基之间的距离、角度、相互作用。

▸ 输出：蛋白质的「三维原子坐标」——精度达到原子级别（< 1 Å）——几乎与 X 射线晶体学和冷冻电镜的实验结果相当。

 

支柱 3 · 生成式 AI（Generative AI）

这是最具革命性的部分——AI 不只是「预测已有的肽」——而是可以「创造全新的肽」：

▸ RFdiffusion：基于「去噪扩散模型」——类似生成图像的 Stable Diffusion——但生成的是蛋白质结构——研究者可以指定「功能位点」「结合靶点」——AI 会自动生成「实现这些功能的全新蛋白结构」——这是「功能驱动的结构设计」。

▸ ProteinMPNN：给定一个三维结构——反向生成「能折叠成这个结构的氨基酸序列——完成「结构 → 序列」的反向设计。

▸ GAN / VAE：生成对抗网络、变分自编码器——学习已知活性肽的「特征分布」——生成「与已知活性肽相似但又全新」的肽候选。

AI 设计肽的「完整工作流」

▸ 步骤 1 · 定义目标：「我需要一个抑制 IL-6 释放的抗炎肽」或「我需要一个能结合酪氨酸酶抑制黑色素合成的肽」——明确「靶点」和「期望功能」。

▸ 步骤 2 · 数据准备：从公共数据库（如 DBAASP、UniProt、APD3）中——收集已知活性肽的序列、结构、功能数据——作为「训练样本」。

▸ 步骤 3 · AI 生成：用 RFdiffusion、ProteinMPNN、Transformer 等模型——生成数千到数百万个「候选肽序列」。

▸ 步骤 4 · 虚拟筛选：用分类器和打分模型——评估每个候选肽的「预测活性」「预测毒性」「预测稳定性」「预测透皮性」——筛选出 top 100 ~ top 1000 候选。

▸ 步骤 5 · 合成与验证：通过固相肽合成（SPPS）——真实合成 top 候选肽——在细胞实验、动物模型、临床试验中验证活性。

▸ 步骤 6 · 反馈迭代：用实验结果反过来「训练」AI 模型——形成「计算 → 实验 → 学习 → 计算」的闭环优化。

— · —

CHAPTER 04

已经实现：AI 设计肽的真实案例

案例 1 · AI 设计抗痤疮肽（2024 Scientific Reports）

这是 AI 设计肽在「护肤相关领域」最具代表性的案例之一：

 

▸ 研究团队：Qichang Dong、Shaohua Wang 等 Metanovas 生物科技（上海/美国）研究人员 + 福州大学。

▸ 论文：Dong Q, Wang S, Miao Y, Luo H, Weng Z, Yu L. Novel antimicrobial peptides against Cutibacterium acnes designed by deep learning. Scientific Reports. 2024; 14(1):4529.

▸ 目标：设计能对抗「痤疮丙酸杆菌（C. acnes）」的全新抗菌肽——针对「抗生素耐药痤疮」这一日益严重的临床问题。

▸ 方法：深度学习生成器 + 分类器——Transformer 迁移学习 + 预训练蛋白嵌入——用公开数据训练 + 系统发育树构建特定训练样本。

✓ 成果：AI 设计了 42 个全新的线性肽——经过实验验证——其中 5 个对 C. acnes 显示出 MIC 2-4 µg/mL 的强效抑制活性[9]——这是 AI 设计肽用于护肤相关问题的里程碑。

 

案例 2 · Pea Oligopeptide（豌豆寡肽）—— AI 发现的天然等效肽

这是 AI 在「化妆品成分发现」层面的典型应用：

▸ 背景：PeptiYouth 团队利用 AI 系统——扫描海量植物蛋白序列数据库——寻找与已知活性肽「结构等效」或「功能相似」的天然来源肽段。

▸ 发现：AI 从豌豆蛋白中识别出一段「Pea Oligopeptide（豌豆寡肽）」——对眼周肌肤具有调理作用。

▸ 应用：这一肽被宣传为「全球首个 AI 发现的天然等效肽」——被收录于 Sonage A-Eye Peptide Serum 等护肤产品。

 

案例 3 · 抗衰肽 + 长寿科学（Cellaigie）

这是 AI 肽与「长寿科学（longevity science）」结合的典型应用 ：Cellaigie 平台将 AI 肽设计与「自噬（autophagy）」等抗衰机制结合——设计针对「衰老核心机制」的下一代抗衰肽——这代表了 AI 肽在「精准抗衰」方向的探索。

 

案例 4 · Sederma、Lipotec、Givaudan 等行业巨头的 AI 平台

化妆品原料行业的传统巨头都已大规模投入 AI 肽设计：

▸ Sederma / Croda：「Matrixyl 3000」「Pal-GHK」「Pal-GQPR」的研发方——正在用 AI 加速下一代 Matrixyl 系列产品的开发。

▸ Lipotec / Lubrizol：「Argireline」「SNAP-8」「寡肽-68（β-WHITE）」「Adifyline」等明星肽的研发方——AI 是其下一代抗衰肽研发的核心驱动力。

▸ Givaudan、Symrise、IFF：全球三大日化原料巨头——都在 2023-2025 年间公布了大规模 AI 平台投入计划——预计未来 5-10 年内——AI 设计肽将成为新原料的主流来源。

— · —

CHAPTER 05

护肤未来：AI 设计肽将如何改变行业

前景 1 · 「精准护肤」的真正落地

长期以来「精准护肤」被反复提及，但实际落地有限 —— AI 设计肽提供了「精准护肤」的真正技术底座：

✓ 针对具体靶点设计：「我需要一个抑制 IL-6 的肽」——AI 可以设计；「我需要一个促进胶原 VII 型合成的肽」——AI 可以设计；「我需要一个减少黑色素细胞 cAMP 信号的肽」——AI 可以设计——这是「靶点驱动」的精准成分开发。

✓ 针对个体设计：结合个人皮肤基因组数据、菌群数据、代谢数据——AI 可以为「特定肤质类型」甚至「特定个体」设计「个性化肽」——这是真正的「千人千面」护肤。

 

前景 2 · 研发周期与成本的「数量级降低」

传统肽研发的「时间 + 成本」曲线：

▸ 传统模式：一个新肽从概念到上市 5-10 年——研发成本 $1000 万 – $1 亿——成功率 < 5%。

▸ AI 模式：理论上一个新肽从概念到验证 3-12 个月——AI 计算成本极低——实验合成验证成本下降 80%+——成功率提高 5-10 倍。

✓ 行业意义：化妆品原料行业将进入「新原料爆发期」——未来 5-10 年可能出现「比过去 50 年总和还多」的新肽——消费者将拥有前所未有丰富的选择。

 

前景 3 · 「Beyond Nature」 · 自然界从未存在的新肽

这是 AI 肽设计最具颠覆性的潜力 ——Baker 实验室的 Top7 已经证明：「AI 可以创造自然进化从未涉及的全新蛋白」。

应用到护肤领域——意味着我们可能会看到：

▸ 「超稳定」肽：通过 D 型氨基酸 + 非天然氨基酸 + AI 设计的「抗酶解结构」——让肽在皮肤上的活性维持时间从「几小时」延长到「几天」。

▸ 「超精准」肽：只针对一个特定靶点而不影响其他通路——减少副作用、提高安全性。

▸ 「多功能」肽：一个肽同时具备「抗衰 + 抗炎 + 美白」多重活性——像一把瑞士军刀。

▸ 「自适应」肽：根据皮肤实时状态（如 pH、温度、炎症水平）改变活性——实现「智能响应」护肤。

“

AI 设计肽不仅是「更快地找到下一个 Matrixyl」
而是有可能创造「自然界从未存在的全新分子」
这是护肤科学从「仿生」迈向「超生」的范式转变

”

前景 4 · 消费者将看到的真实变化

▸ 短期（1-3 年）：越来越多的化妆品产品会标注「AI-designed peptide」「Computational peptide」「De Novo peptide」——这是一个新的「营销标签」——消费者要警惕「概念营销 vs 实质创新」。

▸ 中期（3-5 年）：第一批真正经过 AI 设计 + 严格临床验证的「第三代抗衰肽」进入市场——预计在抗皱、美白、修护等核心功效上——显著超越当前的「Matrixyl 3000」「Argireline」等经典成分。

▸ 长期（5-10 年）：「个性化定制肽」可能成为高端护肤的新形态——消费者通过基因检测、皮肤分析——获得「为自己 DNA 量身设计」的护肤方案——这是真正的「护肤 2.0」。

 

— · —

CHAPTER 06

结语：站在范式革命的起点

走完 AI 设计肽这一遍科普故事——从 2024 诺贝尔化学奖的历史性瞬间——到 AlphaFold 2 亿蛋白预测的「生物学民主化」——到 Baker 实验室 RFdiffusion 的「从零创造蛋白」——到 Scientific Reports 上 AI 设计抗痤疮肽的 42→5 候选成果——到 Sederma、Lipotec 等行业巨头的大规模平台投入——相信您应该已经能清晰看到这场范式革命的轮廓。

“
我们正在亲历护肤科学最激动人心的时刻之一
从「试错筛选」到「智能设计」
从「自然受限」到「Beyond Nature」
从「千人一面」到「千人千面」
这是一场静悄悄的革命
”

对于希望理解这场革命的护肤者，几条值得记住的核心观点：

✓ 这是真实的科学突破：2024 诺贝尔化学奖肯定了「计算蛋白设计 + AlphaFold 结构预测」的范式价值——这不是营销话术——是人类掌握生命基本工具的里程碑**。

✓ 但保持理性看待：「AI 设计」不等于「立即有效」——AI 加速了「候选肽生成」的速度——但每一个新肽仍需经历「合成→细胞→动物→临床」的严格验证——这一过程仍需要数年时间。

✓ 警惕概念营销：未来几年市场上会涌现大量「AI-designed peptide」标签产品——消费者要区分「真正经过 AI 设计 + 严格验证」和「蹭概念营销」——关键看「有没有公开发表的实验数据」。

✓ 长期主义：AI 肽真正大规模改变护肤行业——可能还需要 5-10 年时间——对真正变革性的成分保持耐心——对炒作概念保持冷静——这是面对所有新技术的最佳态度。

✓ 享受技术进步带来的可能性：作为护肤者——站在这场范式革命的起点——意味着我们这一代人——将会见证护肤科学最辉煌的发展期——有理由对未来抱有真诚的期待。

愿这篇关于 AI 设计肽的科普——让您下次再听到「AlphaFold」「RFdiffusion」「De Novo Peptide」「AI 肽」等前沿词汇时——多一份从容的理解——多一份对「人类智慧 + 人工智慧」协同创造未来的欣赏。