编辑丨王多鱼 排版丨水成文 每年，《 科学 》 （Science） 杂志都会评选出 年度十大科学突破 ，包括一项 科学突破冠军奖 以及九项 科学突破入围奖 。它们代表了一年中最重大的科学发 现、科学进展和趋势。 撰文丨王聪 2025 年 12 月 18 日， Science 揭晓了 2025 年度的十大科学突破榜单 。其中有 4 项科学突破来自中国—— 可再生能源的迅猛发展 、 揭开 " 龙人"头骨之谜 、 异种器官移植 、 耐高温水稻 。尤其是中国在可再生能源领域的贡献，成为 2025 年度十大科学突破之首。 中国推动可再生能源迅猛发展 自 工业革命 以来，人类社会一直依靠着数亿年前植物捕获并储存在化石燃料中的"古老的太阳能"，通过挖掘和钻探从地下获取这些能源。但今年，势头明显转向 了"今天的太阳能"。 可再生能源 ，其中大部分来自阳光本身或由太阳驱动的风能，在多个方面超越了传统能源。 如今，中国繁忙港口的集装箱里装满了新商品：电动汽车、太阳能电池板、风力涡轮机叶片。在打造自身绿色能源体系的过程中，中国还催生了一个价值近 1800 亿美元的出口产业，让世界其他大部分地区都能用上低成本的可再生能源。 值得一提 ...

文 | 魏文胜 日前通过的《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》中明确提到，要支持创 新药和医疗器械发展。 近期，中国创新药持续成为资本市场关注的焦点：多家企业和科研团队在前沿领域展现出令人瞩目的自 主研发能力，并通过专利授权（License-out）向全球输出创新成果。 事实上，中国医药创新的能力并非一蹴而就，而是在长期积淀中逐渐生长。如今的星星之火，折射出我 国正从"快速追随者"（Fast Follower）向"首创创新者"（First-in-Class）稳步迈进。 生物科技和AI技术叠加助推 以我长期从事的基因编辑研究为例，基因编辑不仅是探索疾病治疗的重要途径，更是一项具有颠覆性意 义的底层技术，正在重新定义我们理解疾病、干预疾病的方式。 所有生物体，包括人类，都是由一套底层"代码" 驱动的，4种碱基在基因组中的排列组合决定了我们的 生理状态和病理特征。每个细胞都携带同样的"代码本"， 但不同细胞根据环境和调控机制差异，会产 生不同的表达模式。一旦这套底层代码出现问题，人体系统便像软件出现"BUG"，轻则影响功能，重则 危及生命，很多遗传性疾病的病因都可以这样简单理解。 基因编辑技 ...

行业背景与核心挑战 - 人体内最大的蛋白质肌联蛋白（titin）由超过3.4万个氨基酸组成，其化学全名长达189,819个字母，自1954年发现以来，其完整结构在70多年间一直未知，传统实验方法几乎无法解析[1] - 解析蛋白质三维结构的传统方法（如核磁共振、X射线晶体学、冷冻电镜）成本高昂，设备动辄上百万美元，耗时数月到数年，对于肌联蛋白这种拥有三百多个结构域的超级蛋白质更是难以应对[3] - 在浩瀚的蛋白质世界中，人类通过实验解析出的蛋白质结构不到20万个，在所有人体蛋白质中，也只有约35%的结构被实验解析，且很多残缺不全[6] 技术突破：AlphaFold的出现与能力 - 2020年11月30日，DeepMind推出的AlphaFold2在“全球蛋白质结构预测比赛”（CASP）中，凭借氨基酸序列预测蛋白质结构的准确率超过了90%，直逼实验方法[6] - AlphaFold数据库中的蛋白质预测结构已超过2亿个，涵盖了人类蛋白质组98.5%的结构，来自190多个国家的上百万科研人员正在使用这一开源工具[6] - 2024年，谷歌发布了AlphaFold3，能精准预测蛋白质与DNA、RNA等其他生命分子的相互作用，并推出了能主动设计定制蛋白质的AlphaProteo[23] - 2025年，谷歌推出了AlphaGenome，将预测能力延伸至DNA层面，可从DNA序列预测基因突变对生物学过程的影响[23] - 在蛋白质结构预测领域，除AlphaFold外，还有RoseTTAFold、ESMFold和I‑TASSER等AI模型也在不断突破[23] 应用领域：医药研发与疾病治疗 - 在2020年新冠疫情爆发初期，DeepMind利用开发中的AlphaFold2预测了新冠病毒部分蛋白质的结构，帮助研究者迅速了解病毒生理机制并筛选潜在治疗药物[8] - 生物技术公司Insilico Medicine将AlphaFold2整合进其AI药物发现平台Pharma.AI，通过该全流程AI方法，在几年内发现了治疗特发性肺纤维化的候选药物Rentosertib，该药物已进入II期临床试验，成为全球首个完全由AI发现靶点并设计化合物的试验药物[18][20] - 英国牛津大学的研究团队利用AlphaFold2找到了疟原虫蛋白质的关键结合位点，为开发能切断疟疾传播链的疫苗提供了新思路[10] - 马耳他大学的科学家使用AlphaFold研究基因突变对骨质疏松的影响，通过对比正常与突变蛋白质的结构模型来观察功能破坏的可能性[11] - 2023年，DeepMind基于AlphaFold推出了AlphaMissense模型，利用其对结构的“直觉”来判断错义突变是否可能致病，成功归类了人类所有错义突变中的89%，生成了“人类错义突变目录”，以帮助锁定罕见遗传病及糖尿病等复杂疾病的遗传因素[13] 应用领域：环境保护与工业设计 - AlphaFold2能帮助科学家重新设计蛋白质，以完成如高效降解一次性塑料等过去难以做到的任务[14] - 英国朴次茅斯大学的科学家利用AlphaFold，在短短几天内获得了上百种来自微生物的候选降解酶的三维结构，并基于这些结构设计反应更快、稳定性更高、成本更低的酶，以更有效地分解塑料垃圾[17] 具体案例：肌联蛋白研究的进展 - AlphaFold2将肌联蛋白的序列切分成166个“重叠群”（contig），每个长达上千个氨基酸，并分别给出了结构预测，科学家已将这些结构整合，得到了肌联蛋白中所有相互串联的双结构域的三维蓝图[21] - 科学家借助AlphaMissense等工具，评估了肌联蛋白不同突变的潜在致病性，使这个此前几乎无法触及的研究对象变得有迹可循[21] - 2024年，科学家发现了一种比肌联蛋白还要大25%的蛋白质PKZILLA-1，刷新了自然界已知最大蛋白质的纪录[23]

AlphaFold2的技术突破与科学影响 - 谷歌DeepMind推出的AlphaFold2于2020年11月问世，能够仅根据氨基酸序列精准预测蛋白质三维结构，其上一代版本2018年发布但预测准确率有限[3] - 2021年7月DeepMind团队在Nature期刊发表论文公布AlphaFold2开源代码和完整方法论[4] AlphaFold2的实际应用案例 - 维也纳大学Andrea Pauli团队利用AlphaFold-Multimer（2021年10月推出）发现精子和卵子结合中关键的三种蛋白质TMEM81、IZUMO1和SPACA6，颠覆之前认为只需两种蛋白质的观点[7][8] - 该研究发现TMEM81-IZUMO1-SPACA6蛋白质复合物分别与哺乳动物卵子上的JUNO蛋白或鱼类卵子上的Bouncer蛋白结合，介导精子-卵子结合[10] - Andrea Pauli表示AlphaFold加快了发现速度，如今每个项目都会使用该工具[12] AlphaFold2的全球采用数据 - 全世界190多个国家的约330万用户访问了EMBL-EBI托管的AlphaFold数据库，其中超过100万用户来自低收入和中等收入国家[15] - 该数据库包含超过2.4亿个蛋白质结构预测结果，涵盖地球上几乎所有已知蛋白质[15] - 描述AlphaFold2的Nature论文已获得接近4万次引用，研究人员兴趣未减退[12] - 超过20万项研究直接或间接使用AlphaFold，涉及近80万名科学家工作[24] AlphaFold2的行业影响 - 结构生物学领域使用AlphaFold的研究人员向蛋白质数据库提交的蛋白质结构数量比未使用者高出约50%[18] - 在计算生物学领域，几乎每场学术会议报告都会提到AlphaFold，在AI辅助药物发现和AI蛋白质设计等计算密集型领域有良好应用[21] - AlphaFold开辟了新的研究方向——AI蛋白质设计，带来了新的关注和资金投入[21] - AlphaFold2开始帮助研究人员解开疾病生物学机制，2024年发布的AlphaFold3能预测潜在疗法与蛋白质相互作用，更有助于药物发现[24]

2024年诺贝尔奖与AI关联性 - 2024年被称为诺贝尔奖的AI元年，谷歌量子AI首席量子硬件科学家Michel Devoret因量子硬件研究获物理学奖，谷歌DeepMind的Demis Hassabis和John Jumper因AlphaFold2获化学奖 [1][3] - 新晋诺贝尔经济学奖得主Joel Mokyr、Philippe Aghion和Peter Howitt的研究与AI关系密切，其创新理论为理解AI对经济增长的影响奠定基础 [2][7] 创造性破坏理论 - 经济学家Philippe Aghion和Peter Howitt因构建"创造性破坏"数学模型获奖，该理论指出创新在创造新事物的同时会淘汰技术落伍的企业 [10][11] - 创造性破坏可能引发社会矛盾，若既得利益集团阻挠创新，经济增长将面临停滞风险 [13][14][16] AI对经济增长的影响机制 - AI被定义为自动化进程的最新形态，可能攻克非程序化任务和高技能领域，借助历史经验构建经济增长模型 [18][20][22] - AI对经济增长的促进作用可能受"鲍莫尔成本病"制约，即生产率增长缓慢的部门成本上升会拖累整体经济增长 [23][26][27] - 即便AI能自动化99%的任务，经济增长仍受制于1%关键物理规律限制的任务，如能源生产和商品制造 [31][32] AI研发范式变革 - AI增强的研发更依赖资本投入而非劳动力，资本可无限积累的特性可能使研究人员生产力永久提升 [34][35] - 深度学习等AI技术若广泛传播，美国经济增长率或许能翻倍，这种资本密集型研发可能克服鲍莫尔病的阻力 [33][35] 技术应用与经济增长关系 - 历史上电力、内燃机等技术突破都经历数十年滞后期才被广泛应用，AI的影响也可能因配套环境不足而受限 [29] - 超级AI可能加剧"商业掠夺效应"，抑制人类创新投入，最终导致经济增长放缓甚至停滞 [29]

公司科研实力与成就 - 谷歌母公司Alphabet的科学家连续两年斩获诺贝尔奖，凸显了公司在人工智能和量子计算等前沿基础研究领域的深厚实力[1] - 2025年诺贝尔物理学奖授予了三位物理学家，其中包括谷歌量子AI实验室的现任硬件首席科学家Michel Devoret以及曾领导其硬件团队多年的John Martinis[1][3] - 2024年诺贝尔化学奖授予了谷歌旗下人工智能公司DeepMind的首席执行官Sir Demis Hassabis和高级研究科学家John Jumper[4] - 谷歌首席执行官Sundar Pichai表示，公司拥有5位诺贝尔奖得主，两年内获得了3个奖项[5] 量子计算领域突破 - 诺贝尔物理学奖获奖者的研究为谷歌在量子计算领域的最新突破奠定了基础，为未来纠错量子计算机的实现铺平了道路[1] - 获奖者通过实验证明量子世界的奇特性质可以在一个足够大的、可以用手握住的系统中具体实现，其超导电路系统可以像穿墙一样从一种状态隧穿到另一种状态[3] - John Martinis曾领导团队在2019年实现了"量子霸权"这一里程碑[3] - Michel Devoret目前在公司构建可扩展、容错量子计算机的努力中扮演关键角色[3] 人工智能领域贡献 - DeepMind开发的AI模型AlphaFold2解决了困扰科学界50年的蛋白质结构预测难题，能够根据氨基酸序列预测蛋白质的结构[4] - 自2020年发布以来，AlphaFold2模型已帮助预测了近2亿种蛋白质的结构，被来自190个国家的超过200万研究人员使用[4] - 该突破对制药、疫苗和新材料等领域产生了深远影响[4] 研发投入与长期价值 - 连续两年获得顶级科学奖项展示了公司研发部门将巨额资本投入转化为世界级科学成果的能力[2] - 这些成就直接关系到公司的长期商业护城河，无论是加速药物研发的AI还是有望解决算力瓶颈的量子计算，都是决定未来市场竞争格局的关键变量[5] - 奖项表明谷歌不仅在当前主导的数字广告和云计算市场拥有强大实力，其对基础科学的持续投入也正在为下一轮技术革命占据有利位置铺平道路[5] - 公司吸引并留住顶尖科研人才的企业文化被视为其持续创新的引擎[5]

公司技术发布 - 苹果公司发布名为SimpleFold的蛋白质折叠AI模型，被戏称为"iFold" [1] - 该模型基于流匹配生成范式，采用通用Transformer模块构建，未使用复杂专属设计 [2][6] - 模型核心创新在于引入流匹配技术，通过学习从随机噪声到蛋白质构象的光滑映射，实现一步生成原子坐标 [7] 模型性能表现 - SimpleFold-3B参数版本在CAMEO22基准测试中性能达到AlphaFold2的95% [9] - 在CASP14高难度测试集上，SimpleFold-3B超越同类流匹配模型ESMFold [9] - 模型在搭载M2 Max芯片的MacBook Pro上处理512残基序列仅需两三分钟，远超传统模型的小时级耗时 [10] 技术架构特点 - 模型架构采用多层Transformer编码器作为核心骨干，仅通过自适应层归一化适配蛋白质序列特征 [6] - 训练阶段使用包含900万条数据的混合数据集，训练出参数规模从100M到3B的多尺度模型 [9] - 该方法避免了传统模型对多序列对比和超算级算力的依赖，实现了化繁为简 [3][4] 研究团队背景 - 研究第一作者Yuyang Wang拥有卡内基梅隆大学机器学习硕士及机械工程博士学位，曾在苹果担任AI/ML Resident [12] - 通讯作者Jiarui Lu本科毕业于清华大学，在卡内基梅隆大学获机器学习硕士，2020年加入苹果公司 [15] - 团队成员具备强化学习、扩散模型等AI研究背景，并主导过苹果开源项目ToolSandbox [12][15]

文章核心观点 - 苹果公司跨界发布了一款名为SimpleFold的蛋白质折叠AI模型，被戏称为"iFold" [1] - 该模型采用"化繁为简"的设计理念，使用通用Transformer架构和流匹配生成技术 [3][8] - 其3B参数版本在性能上追平了谷歌AlphaFold2，达到后者95%的水平，同时在MacBook Pro上即可高效运行 [2][14][16] 技术架构与创新 - 模型架构采用多层Transformer编码器作为核心骨干，仅通过自适应层归一化适配蛋白质序列特征 [10] - 核心创新在于引入流匹配生成技术，通过学习从随机噪声分布到蛋白质构象分布的光滑映射，实现一步式生成原子坐标 [11][12] - 模型设计没有花里胡哨的专属模块，完全基于通用AI框架解决问题 [2][8] 性能表现 - 在CAMEO22基准测试中，SimpleFold-3B性能达到AlphaFold2的95% [14] - 在CASP14高难度测试集上，超越了同类流匹配模型ESMFold [15] - 具体性能指标：在CAMEO22测试集上TM-score为0.837，GDT-TS为0.802；在CASP14测试集上TM-score为0.720，GDT-TS为0.639 [16] 效率优势 - 在搭载M2 Max芯片的MacBook Pro上，处理512残基序列的推理时间仅需两三分钟 [16] - 远超传统模型的小时级耗时，使得普通实验室也能用得起 [7][16] 训练数据与模型规模 - 训练阶段构建了包含900万条数据的混合数据集 [14] - 训练出了从100M到3B参数的多尺度模型 [14] 研究团队背景 - 第一作者Yuyang Wang拥有卡内基梅隆大学机器学习硕士和机械工程博士学位，曾在苹果担任AI/ML Resident [18] - 通讯作者Jiarui Lu本科毕业于清华大学，在卡内基梅隆大学取得机器学习硕士学位，2020年加入苹果公司 [21][22] - 通讯作者曾主导苹果开源成果ToolSandbox，一套关于大模型工具调用能力的Benchmark [23]

文章核心观点 - 苹果公司发布轻量级蛋白质折叠预测人工智能模型SimpleFold 该模型采用流匹配方法替代传统复杂模块 在保障预测性能的同时显著降低计算成本 有望推动药物研发与新材料探索 [1] 技术方法创新 - SimpleFold创新性采用流匹配方法 替代传统模型中依赖的多序列比对等计算密集型特定架构 [1] - 流匹配方法能直接从随机噪声中一次性生成蛋白质目标结构 有效跳过多步去噪环节 从而大幅减少计算量并显著提升生成速度 [4] - 该技术已在文本生成图像和3D建模等领域成功应用 其高效性得到验证 [4] 模型性能表现 - 研究人员构建了参数规模从1亿到30亿不等的多个SimpleFold模型版本 并在CAMEO22和CASP14两大权威基准测试中进行评估 [4] - 模型在CAMEO22测试中性能达到AlphaFold2和RoseTTAFold2的约95% [5] - 参数规模更小的SimpleFold-100M版本 在保持高效计算特性的同时 性能超过ESMFold的90% [5] - 测试结果显示SimpleFold性能稳定优于同类流匹配模型ESMFold 整体表现可与顶尖蛋白质折叠预测模型媲美 [4] 行业影响与意义 - 该模型显著降低了蛋白质折叠预测的硬件门槛 为更多科研团队开展相关研究创造有利条件 [1] - 精准的蛋白质折叠预测结果能为疾病机理研究和药物设计提供关键支撑 [1] - 此项成果证明了通用架构模块在蛋白质预测领域的可行性与竞争力 [5]

技术突破 - 开发名为BindCraft的开源自动化蛋白质从头设计平台 实现功能性结合蛋白的一次性计算设计 无需实验优化或高通量筛选 [2][3] - 通过逆向改造AlphaFold2模型 利用反向传播算法从目标蛋白结构直接生成匹配的全新结合蛋白 颠覆传统耗时数月且成功率不足1%的方法 [2][5] - 采用动态建模同步优化靶点与结合蛋白结构 智能进化迭代优化表面氨基酸 双重过滤机制确保设计可靠性 [5] 性能表现 - 设计成功率高达10%-100% 平均达46.3% 结合强度达纳摩尔级 相当于抗体药物水平 [2][3][5] - 成功靶向细胞表面受体(PD-1/PD-L1/IFNAR2/CD45) 常见过敏原(Bet v1/Der f7/Derf 21) 从头设计蛋白质及多结构域核酸酶(CRISPR-Cas9) [3][7] 应用验证 - 设计桦树花粉过敏原Bet v1结合蛋白 患者血清测试显示阻断50%过敏抗体结合 [7] - 针对尘螨过敏原Der f7和Derf 21设计的结合蛋白 晶体结构证实与设计模型误差仅0.3纳米 [7] - 设计Cas9抑制蛋白精准结合REC1核酸结合域 显著降低HEK293细胞基因编辑活性 [8] - 中和产气荚膜梭菌穿孔毒素CpE 完全消除毒素导致的细胞死亡 效果等同天然抑制剂 [8] - 设计靶向HER2和PD-L1的微型结合蛋白整合至AAV衣壳 实现特异性靶向癌细胞 [8] 行业影响 - 实现"one design-one binder"方法突破 在治疗学 诊断学和生物技术领域具有巨大潜力 [3][9] - 开源技术使普通实验室可设计定制蛋白质 有望重塑药物开发 疾病诊断和治疗领域未来 [9]