地球上的生命花了 35 亿年进化出的形形色色的蛋白质，其实只是所有理论可能性里的 "冰山一角"？
最近，冲绳科学技术大学院大学（OIST）的研究团队在《美国国家科学院院刊》（PNAS）发表的一项最新研究，揭开了蛋白质世界的 "暗面"：自然进化用了整整 35 亿年，居然只探索了理论上所有可能的功能性蛋白质序列的极小一部分 —— 而这个深藏的局限，甚至直接决定了 AlphaFold 这类 AI 蛋白质工具的能力边界。
蛋白质是生命活动的绝对核心：从催化体内化学反应的酶，到运输氧气的血红蛋白，再到帮我们抵抗病毒的抗体，几乎所有生命功能的实现，都离不开蛋白质的参与。而蛋白质的功能，本质上由它的氨基酸排列序列决定。
从理论上来说，仅仅 20 种天然氨基酸，就能排列出近乎无限的组合可能：哪怕是一条只有 100 个氨基酸的短肽，可能的序列数量就高达 20 的 100 次方 —— 这个夸张的数字，比整个可观测宇宙里的原子总数还要大得多。
那我们的自然进化，在这 35 亿年的漫长时间里，到底探索了其中的多少？这正是 OIST 的 Fyodor Kondrashov 教授团队想要回答的问题，他们完成了迄今为止针对这个问题最系统的定量研究，第一次把这个 "探索比例" 做了精准的测算。
为了量化进化对蛋白质序列多样性的限制程度，团队设计了一套覆盖跨物种数据的完整分析方案，整个研究的每一步推进，都离不开尖端科研设备的支撑：
1. 跨物种海量数据收集
研究团队首先收集了横跨脊椎动物、肠杆菌目、γ- 变形菌门三大类群的数千个蛋白质家族的同源序列数据。这些海量的原始基因数据，并非团队自己从头完成测序，而是来自全球科研人员此前积累的公共序列数据库 —— 而这些数据的源头，大多是Illumina 高通量测序仪的成果。正是这种能够一次性完成百万级基因读取的高通量测序设备，才让我们在过去十几年里，快速积累了覆盖数万物种的基因序列库，为本次研究提供了最基础的 "原材料"。
2. 序列空间维度精准计算
拿到这些数据后，团队需要计算每个蛋白质家族里，所有序列在抽象的序列空间里的分布特征，以此估算它们实际占据了多大的功能空间。这一步的计算量极其庞大：仅仅是数千个蛋白质家族的数百万条序列，两两之间的距离计算、相关性维度估算，就需要处理上亿次的运算。为了完成这个任务，研究团队借助了 OIST 的高性能计算集群（HPC）—— 这种拥有数千计算核心的超级计算设备，才能在短时间内完成如此庞大的数据分析，最终得出了每个蛋白质家族实际的序列空间维度。
3. 进化模拟验证影响因素
为了搞清楚到底是什么因素限制了进化的探索范围，团队还需要区分生化功能约束、上位性、奠基者效应这几个不同因素的影响权重。他们模拟了不同条件下的序列进化过程，测试了不同的选择强度、系统发育树形状对最终探索范围的影响。这部分的大规模进化模拟同样需要海量的计算资源，这部分工作同样是依靠高性能计算集群才得以高效完成。
最终，研究团队得出了一个令人惊讶的结论：哪怕是进化了几十亿年，蛋白质家族实际探索的序列空间，也小到了难以想象的地步。
更关键的是，他们发现，限制探索范围的最核心因素，并不是我们之前以为的 "生化功能约束"—— 也就是说，不是因为其他的序列都没有功能，所以进化没法去探索。真正的瓶颈，是奠基者效应。
简单来说，每个蛋白质家族，都是从极少数的几个共同祖先序列开始进化的。这个起点，就像一个 "遗传原点"，之后不管进化多久，整个家族的所有后代序列，都只能在这个原点附近的小范围里打转，根本没法突破这个原点划定的边界。
研究的第一作者 Lada Isakova 解释道："在过去 35 亿年的进化历程中，蛋白质序列所经历的时间，根本不足以探索所有理论上可能具有功能的序列空间。我们本来以为生化约束是最大的限制，但结果发现，祖先的起点，才是真正把我们困在小角落里的原因。"
这项研究也得到了全球同行的高度认可。澳大利亚国立大学的生物化学家 Colin Jackson 并未参与这项研究，他通过邮件表达了对这项成果的赞赏："进化具有高度的路径依赖性，蛋白质家族的起点强烈影响着它的进化终点 —— 这个总体思路其实早就有人提出过。但这篇论文出色地完成了大规模的定量化分析工作，这是前人没做到的。它清楚地表明，天然蛋白质家族所探索的序列空间极小且高度偏斜，这在很大程度上是因为它们从少数几个祖先起点辐射演化，而非在序列空间中均匀采样。"
这个发现，最直接的影响，就是对当下火热的 AI 蛋白质科学 —— 比如我们熟知的 Google DeepMind 的 AlphaFold。
图片来源：DeepMind
Kondrashov 教授直接点出了这个局限的本质："由于进化约束的存在，像 AlphaFold 这样基于自然蛋白质序列训练的 AI 模型，在理解蛋白质工作原理方面存在先天局限。我们无法仅凭观察自然序列就学到一切。"
换句话说，AlphaFold 再厉害，它见过的所有蛋白质，都只是自然进化摸过的那一小部分。它根本没见过那些 "自然界从未存在过" 的蛋白质，所以它也没法预测或者设计出真正全新的蛋白质。
Jackson 也补充了未来的破局方向："如果我们希望建立能够设计真正全新蛋白质的模型，就可能需要通过实验方法生成那些现有进化数据之外的序列，来对训练数据进行扩充增强。"
这项研究的意义，远不止于告诉我们 "进化有局限"。它更给整个蛋白质工程领域，指明了未来的发展方向。
过去，我们做蛋白质设计，大多是在天然序列的基础上小修小改，比如改几个氨基酸，让酶更稳定一点。但这项研究告诉我们，我们完全可以走得更远 —— 那些自然从未探索过的序列空间里，藏着无数我们想象不到的新功能。
合成生物学家和生物化学家们，现在需要主动走出自然的 "舒适区"，用高通量蛋白质表达、定向进化、计算设计这些手段，主动去探索那些 "自然界从未走到过" 的地方。而未来的 AI 蛋白质工具，也需要整合这些人工探索得到的非天然序列数据，才能真正拥有创造全新蛋白质的能力。
这意味着什么？这意味着我们未来可能设计出全新的药物靶点，用来攻克那些现在无解的疑难疾病；我们可能做出效率更高的工业酶，用来做绿色化工，减少污染；我们甚至可能做出全新的生物材料，用来做可降解的塑料，或者人造器官。
原来，生命用了 35 亿年，只是给我们开了个头。接下来的探索，要靠我们自己，去打开蛋白质世界的那扇暗门了。
