生物催化的新時代：Riff-Diff 技術重新定義酵素工程
由 Creati.ai 編輯團隊
在計算生物學與人工智慧的一項里程碑式發展中，研究人員揭示了「Riff-Diff」，一種生成式AI（Generative AI）方法，從根本上改變了如何為工業與醫療應用設計酵素。該研究本週發表於權威期刊 Nature，由 Graz University of Technology（TU Graz）Institute of Biochemistry 領導，展示了從發現酵素轉向以原子精度從頭構建酵素的轉變。
這項突破解決了生物技術領域長期存在的挑戰之一：在不依賴自然演化偶然性的情況下，為特定化學反應創造穩定且高效的生物催化劑。Riff-Diff（Rotamer Inverted Fragment Finder–Diffusion）模型利用基於擴散的機器學習（diffusion-based machine learning）的能力，在特定活性位點周圍構建蛋白質支架，實際上使科學家能夠「程式化」蛋白質以執行新穎的化學任務。
範式轉變：從發現到設計
幾十年來，酵素工程主要仍是發現與改造的過程。傳統上，尋找特定反應的催化劑時，科學家必須從龐大的現有蛋白質結構資料庫中挖掘，希望找到可以經由微調以符合所需功能的天然分子。這種方法，常被形容為「本末倒置」，受限於自然已演化出的範疇。
Riff-Diff 完全顛覆了這一流程。系統不再搜尋可能適合活性位點的支架，而是圍繞所需的催化中心「生成」一個客製化的蛋白質結構。
「我們現在可以不再本末倒置、去搜尋資料庫以看哪個結構與活性中心匹配，而是使用一次生成流程（one-shot process）從頭有效且正確地為化學反應設計酵素，」TU Graz 的首席研究員 Gustav Oberdorfer 解釋道。他的 ERC 計畫 HELIXMOLD 為這項創新提供了基礎性工作。
這種「功能優先」的設計理念意義深遠。它解放了生物工程師，讓他們不再受限於有限的天然蛋白質庫，開啟了一個潛在無限的設計空間，在此可為非天然反應、極端環境與複雜工業流程量身打造酵素。
解構 Riff-Diff：其運作方式
該技術結合了兩種複雜計算策略的協同效應：「Rotamer Inverted Fragment Finder（RIFF）」與「擴散（Diffusion）」建模。
- 定義活性位點： 流程始於識別為催化特定反應所需的胺基酸側鏈構象（rotamers）與化學片段的精確排列。
- 生成支架： 使用名為 RFdiffusion 的生成式 AI 模型，系統產生一個蛋白質主鏈，將這些催化元件以反應所需的精確幾何配置固定在適當位置。
- 原子級精修： 模型逐步精修結構，確保化學活性元件以安格斯特倫級精度（0.1 nanometers）放置。
此方法允許創造先前以規則式或舊有計算方法難以設計的複雜幾何構型。
比較分析：傳統方法 vs. Riff-Diff
| Methodology | Traditional Protein Engineering | Riff-Diff AI Generation |
|---|---|---|
| Starting Point | Existing natural protein databases | Desired chemical reaction (Active Site) |
| Process Flow | Search -> Screen -> Mutate -> Optimize | Define Function -> Generate Structure -> Validate |
| Design Constraint | Limited by evolutionary history | Limited only by physics and chemistry |
| Speed | Months to years of iterative testing | One-shot generation (Days to Weeks) |
| Thermal Stability | Often low; requires stabilization | High (Functional up to 90°C+) |
| Success Rate | Low hit rate in initial screening | High activity in initial designs |
前所未有的效率與穩定性
該研究最引人注目的面向之一是「一次生成」的成功率。在蛋白質設計領域，通常需要測試數千個候選序列才能找到一個弱活性的分子。然而，TU Graz 團隊報告稱，在實驗室測試的 35 個序列中，對多種類型的反應產生了活性酵素。
此外，這些從頭設計的酵素（de novo）並非脆弱的原型。它們表現出顯著的堅固性，這對於產業採用至關重要。
「現在能夠生產的酵素是高效率的生物催化劑，並且由於其穩定性，也能在工業環境中使用，」通訊作者 Markus Braun 指出。「這大幅降低了過去所需的篩選與優化工作量。」
研究確認，幾乎所有設計出的酵素在超過 90°C 的溫度下仍能保持功能形狀。這種熱穩定性在天然酵素中極少見，除非經過大量工程改造，因此使得 Riff-Diff 生成的蛋白質能立即適用於常需高溫以加速反應的嚴苛工業製程。
工業與環境影響
快速生成客製化酵素的能力，對多個領域具有深遠影響。在 Creati.ai，我們識別出 Riff-Diff 可能改變現有工作流程的三個主要領域：
1. 可持續製造（綠色化學）
化學合成經常依賴有毒金屬催化劑與高能耗流程。酵素提供了更潔淨的替代方案，能在水中與較低溫度下運作。Riff-Diff 允許創造能更可持續合成複雜藥物或工業化學品的酵素。透過設計與特定工業流程相容的催化劑，公司可減少廢棄物與能源消耗。
2. 環境修復
自然尚未演化出能有效分解許多現代污染物（例如某些塑膠或「永續污染物」（PFAS））的酵素。Riff-Diff 使科學家能設計專門針對分解這些合成鍵的酵素，為污染控制提供生物學解決方案。
3. 精準治療
在醫療領域，酵素被用作遺傳病治療與合成藥物組成的工具。Riff-Diff 的精準性可帶來一類新的治療用酵素，降低副作用並提升在人體中的穩定性。
「雖然自然透過演化會產生大量酵素，但這需要時間，」該研究的共同作者 Adrian Tripp 表示。「透過我們的方法，我們可以大幅加速這一過程，從而有助於使工業流程更具可持續性。」
跨領域合作的角色
Riff-Diff 的成功凸顯了跨領域融合的必要性。該專案是 TU Graz 的 Institute of Biochemistry 與 University of Graz 的 Institute of Chemistry 之間的合作成果。
來自 University of Graz 的合作者 Mélanie Hall 強調，整合蛋白質科學、生物技術與有機化學至關重要。隨著 AI 模型越來越複雜，領域專家的投入—了解反應機制細微差異的化學家與了解蛋白質摺疊的生物學家—仍不可或缺。AI 並不是取代科學家；相反地，它放大了科學家在分子層面操控物質的能力。
未來展望
該研究發表於 Nature，意味著生成生物學（generative biology）已超越「概念驗證」階段，進入實用化階段。像 AlphaFold 這類工具解決了蛋白質結構預測問題（從序列推斷形狀）；而 Riff-Diff 解決的是反向摺疊問題（從功能推定序列/形狀），重點放在化學活性上。
對於 AI 社群而言，這代表了擴散模型（diffusion models）在物理科學領域的成功應用—該架構也是圖像生成器如 Midjourney 或 Stable Diffusion 背後的技術。Riff-Diff 並非去噪像素以生成圖像，而是去噪 3D 座標以創造一個功能性分子。
隨著活性位點資料庫的擴充與計算能力的提升，我們預期會看到 Riff-Diff 與類似模型整合進雲端實驗室。在不久的將來，化學家可能只需上傳一張反應示意圖到伺服器，便能在數小時內收到能催化該反應的酵素 DNA 序列。
Creati.ai 將持續關注此技術的商業化進程，特別是當它開始影響製藥與潔淨能源等領域時。數位生物學的時代不再是將至；有了像 Riff-Diff 這樣的工具，它已經堅定地到來了。
