Gemini 4挑战诺奖得主成果，数小时完成5种新酶设计
当地时间 10 月 13 日，谷歌宣布新一代大模型 Gemini 4 Argon 正式向全球开发者和企业开放，同时面向 Gemini 应用、搜索 AI 模式的部分付费用户上线。
作为谷歌最新的旗舰模型，Gemini 4 Argon 在多项基准测试中达到前沿水平，并在 Vals AI 综合指数中超过 OpenAI、Anthropic 的竞争模型。
与此同时，谷歌还公布了一项重要的蛋白质设计成果。 研究人员借助 Gemini 4 Argon，在数小时内完成数据整理、模型调优和筛选规则制定，最终得到 5 种全新的人工酶设计。 随后的实验室测试显示，这 5 种设计均表现出较强的催化活性。
这次设计的是丝氨酸酯酶，一类能够催化酯键水解的蛋白质，在药物制造、精细化工和生物燃料等领域具有广泛的应用前景。过去，想要从头设计一种具有特定催化功能的酶，研究人员通常需要使用多种专业计算工具，经过多轮筛选和实验验证。
巧合的是，就在去年，诺贝尔化学奖得主 David Baker 的团队也在《 Science 》发表过一项类似研究。他们利用 RFdiffusion 等专业模型，成功设计出具有催化活性的丝氨酸水解酶。如今，谷歌将一款面向编程、金融、法律等多种任务的通用大模型，带进了这一专业领域。
数小时设计 5 种新酶，Gemini 4 做了什么？
从头设计一种具有特定功能的酶，一直是蛋白质工程中的难题。研究人员不仅要找到合适的蛋白质结构，还要保证它能够催化预期的化学反应。
在这次实验中，研究人员使用 4MU-acetate（4- 甲基伞形酮乙酸酯）作为测试底物。这种物质在被水解后会释放荧光产物，因此可以通过检测荧光信号，判断新设计的酶是否具有相应活性。
按照谷歌公布的流程，Gemini 4 Argon 首先整理与目标酶相关的数据，随后完成模型调优，并根据生物化学原理制定多个筛选条件。 整个计算过程只用了数小时，研究团队最终得到 5 个全新的酶设计。后续实验显示，这些设计均表现出较强的催化活性。
这里需要关注的是 Gemini 4 承担的工作。传统的酶设计需要研究人员掌握不同计算模型的使用方法，根据目标反应调整模型，再结合专业知识筛选候选蛋白。Gemini 4 作为一款通用大模型，已经能够参与其中的数据处理、模型调整和筛选策略制定，而这些工作通常需要研究人员投入大量时间。
从这次案例来看，Gemini 4 在科学研究中的作用，已经不局限于回答专业问题，而是开始切入模型调整和计算流程改进等实际工作。不过，这与此前专业团队的做法又有所不同。
Gemini 4 挑战诺奖技术路线，究竟有什么不同？
2024 年，华盛顿大学教授 David Baker 因计算蛋白质设计获得诺贝尔化学奖。同年获奖的还有 Google DeepMind 的 Demis Hassabis 和 John Jumper，他们的主要贡献是利用 AI 预测蛋白质结构。
Baker 团队开发的 RFdiffusion，是蛋白质设计领域具有代表性的专业模型。2025 年 4 月，Baker 参与的团队在《 Science 》发表论文，展示了如何利用 RFdiffusion 等工具，从头设计具有催化活性的丝氨酸水解酶。