MIT新AI模型優化蛋白質藥物生產，有望大幅降低開發成本

MIT化工團隊2月發佈新AI模型，利用大語言模型分析工業酵母中的密碼子使用模式，優化蛋白質藥物的基因序列，使酵母生產更高效。此前MIT還推出了BoltzGen（從零生成蛋白質結合物）和Boltz-2（預測藥物-蛋白質結合力），形成了從設計、生產到篩選的完整AI藥物發現鏈。研究團隊還將AI應用於抗耐藥菌抗生素設計和早期癌症檢測傳感器。

從行業發展趨勢來看，這一進展反映了AI技術正在加速從實驗室走向實際應用的過程。越來越多的企業和開發者開始將AI能力深度整合到產品和工作流中，推動了整個產業鏈的升級。對於關注AI前沿動態的從業者和研究者而言，這是一個值得持續跟蹤的方向。

MIT新AI模型優化蛋白質藥物生產：AI驅動的藥物發現全鏈條正在成型

MIT化學工程團隊2月發表了一項具有里程碑意義的AI模型，創新性地運用大型語言模型（LLM）的序列理解能力來分析工業酵母中的密碼子使用模式，從而精準優化蛋白質藥物的基因序列設計，顯著提升了酵母細胞工廠的蛋白質生產效率和產量。

技術原理與創新點

該模型的核心創新在於將LLM在自然語言處理中展現的強大序列理解和模式識別能力，巧妙地遷移到了生物學的密碼子優化領域。雖然多個不同的密碼子可以編碼同一種胺基酸，但它們在不同生物體中的使用頻率和對蛋白質表達效率的影響卻存在顯著差異。該AI模型能夠學習並理解工業酵母的「語言偏好」，找到能最大化蛋白質產量的最佳基因序列組合方案。

完整的AI藥物發現生態鏈

這項新技術並非獨立存在。結合MIT先前已推出的BoltzGen工具（能從零開始全新生成蛋白質結合物分子）和Boltz-2系統（用於高精度預測藥物與蛋白質之間的結合親和力），MIT已成功建構了一條從分子設計、基因序列優化、生產工藝到候選藥物篩選的完整AI驅動藥物發現流水線，有望大幅縮短傳統需要數年的新藥研發週期。

向更廣泛的生物醫藥領域拓展

研究團隊的視野並不局限於蛋白質藥物優化。他們還積極將AI技術應用於設計能夠對抗耐藥菌感染的新型抗生素分子，以及開發基於AI的早期癌症檢測生物感測器，展現了AI在整個生物醫藥領域的巨大變革潛力。

產業前景與深遠影響

AI輔助藥物發現正從學術界的概念驗證階段加速走向製藥工業的實際應用。MIT的系列研究證明，LLM不僅擅長理解和生成人類語言，同樣能出色地「編寫」和優化生命的分子語言，為全球製藥業帶來了降低研發成本、加速新藥上市的全新可能性。

值得關注的是，該模型的方法論具有高度的可遷移性，不僅適用於酵母系統，理論上還可以推廣到其他微生物生產平台和不同類型的生物製品生產中，具有廣泛的應用前景和商業化價值。