想象一下，细胞就像一个繁忙、高科技的工厂，其中充满了被称为酶（enzymes）的微型机器在不停地工作。这些酶是生命的首席化学家；它们抓取特定的原材料（称为底物/substrates），并将它们拼接在一起或将其分解，以维持生物体的生命。这个工厂的魔力在于一种完美的“锁与钥”关系：酶的活性位点是一个独特的形状口袋，只契合一种特定的化学钥匙。如果钥匙哪怕只有一点点不对，机器就无法启动，工厂也会陷入停滞。几十年来，科学家们一直试图绘制出哪些钥匙能匹配哪些锁，但这就像是在黑暗中解开一个巨大的拼图游戏。传统方法进展缓慢，而试图预测这些匹配关系的计算机程序通常将酶视为一种刚性的、不变的雕像。但实际上，酶更像是灵活的舞者；当底物踏上舞池的那一刻，它们就会扭动、旋转并改变形状，以完成化学反应。

本论文介绍了一种全新的、超级智能的计算机程序——Boltz2ESI，它终于学会了观察这些分子的舞蹈。Boltz2ESI 不再仅仅基于僵硬的形状或仅仅通过阅读酶的遗传密码来进行猜测，而是使用了一种“基础模型”（foundation model）——这是一种已经学习了蛋白质如何折叠和运动深层规则的 AI 类型。通过同时模拟酶与底物的共同折叠过程，Bolster2ESI 可以观察到酶的口袋是如何为了完美拥抱底物而重塑自身的。研究人员发现，这种方法在预测化学物质是否能被某种酶实际利用方面表现得更好，即使对于那些看起来非常相似但功能却不同的酶也是如此。这不仅仅是理论上的胜利；团队展示了它能够成功寻找复杂植物药物路径中的正确酶，证明了理解分子的“舞蹈”是解锁自然界化学奥秘的关键。

问题所在：刚性雕像 vs. 舞伴

长期以来，试图预测酶行为的科学家主要有两种工具，而两者都存在致命缺陷。第一种工具仅观察酶的遗传序列（其 DNA 指令）。这就像仅仅通过阅读一个人的名字来猜测其长相；它能提供一个大致的概念，但错失了所有重要的微小细节。第二种工具观察酶的三维形状，但它将酶视为一座石雕。它试图将一把化学钥匙强行塞入一个冻结的口袋中。问题在于，酶并不是雕像。当真实的底物到达时，酶通常会收拢双臂、扭转身体或改变形状，以紧紧抓住钥匙。这被称为“诱导契合”（induced fit）。如果你的计算机模型将酶视为一个刚性的块状物，你就会错过最重要的相互作用部分：运动。

此外，许多这类酶都是“孤儿酶”。科学家知道它们存在于自然界中，但并不清楚它们的功能，也不清楚其活性口袋的形状。传统方法需要预先绘制好的口袋地图才能工作，这意味着它们对于这些神秘的酶来说是无效的。

解决方案：共同折叠的舞池

于是有了 Boltz2ESI。作者构建这一框架是为了通过使用一种称为原生共同折叠（native co-folding）的技术来解决“刚性雕像”问题。

可以这样理解：与其尝试将钥匙强行塞进锁着的门，不如让 Boltz2ESI 模拟门和钥匙一起走进一个房间，并观察它们如何相互契合。它使用了一个强大的 AI 模型——Boltz-2，该模型已经学习了蛋白质和化学物质行为的物理学原理。

以下是该过程的逐步运作方式：

1. 初步观察： AI 获取酶的遗传序列和底物的化学式（以 SMILES 字符串表示），并运行模拟以预测活性位点可能出现的位置。
2. 舞蹈： 然后，它放大该区域，并在没有任何预设规则的情况下，模拟酶与底物的共同折叠。这使得酶能够自然地改变形状，就像真实的生物系统一样，以适应底物。
3. 背景检查： “舞蹈”结束后，AI 不仅仅观察形状。它还会查看酶的进化历史（使用名为 ESM3 的工具），以了解数百万年来相似的酶是如何表现的。它还会分析底物的化学细节（使用 Uni-Mol2 和 Morgan 指纹），以理解其特定特征。
4. 最终裁定： 最后，它结合所有这些信息——舞蹈的形态、家族历史以及化学细节——给出一个评分。这个分数告诉我们，该酶与该底物成为完美匹配的可能性有多大。

研究发现：超越同类

团队使用一个包含超过 323,000 个酶-底物对的海量数据集 ESIBank，将 Boltz2ESI 与现有的最佳方法进行了对比测试。

• 击败刚性模型： 当他们将 Boltz2ESI 与那些将酶视为刚性雕像的旧方法（如 EZSpecificity）进行比较时，Boltz2ESI 完胜。在标准测试中，它的得分达到了 0.9156（在 1.0 为完美的量表中），而刚性方法的得分仅在 0.89 左右徘徊。
• “未知”测试： 真正的挑战在于针对 AI 从未见过的酶和化学物质进行测试。即使在这种严苛的情景下，Boltz2ESI 仍保持了 0.7664 的强劲得分，显著优于刚性模型。
• “为什么”很重要： 研究人员发现了一个迷人的现象。如果他们仅仅使用基础 AI 模型来预测化学物质与酶结合的紧密程度（结合亲和力），那是远远不够的。许多化学物质虽然结合得很紧，但实际上并不能被酶“处理”。Boltz2ESI 之所以成功，是因为它学会了区分哪些化学物质只是“粘附”在一起，哪些是真正能“起作用”的。它学会了分辨什么是“拥抱”，什么是“握手”。

证据：柠檬酸合酶与植物路径

为了证明其观点，作者研究了一种经典的酶——柠檬酸合酶（citrate synthase）。这种酶以一种戏剧性的动作闻名：当其底物到达时，酶的一个完整部分会旋转约 19 度，从而在化学物质周围关上一扇门。

• 刚性的失败： 当他们尝试使用旧有的“刚性对接”方法时，计算机无法观察到这种旋转。底物最终落在了错误的位置，导致模型给出了较低的置信度。
• 共同折叠的成功： 然而，Boltz2ESI 自然地模拟了这种旋转。它完美地预测了闭合后的形状，并给出了 0.9770 的高置信度分数，证明它能够捕捉到刚性模型所错失的“舞蹈”。

他们还将该工具应用于一个现实世界的谜题：南非醉茄（Ashwagandha）植物中的醉茄内酯（withanolide）路径。该路径产生药用化合物，但科学家们仍在确定哪些特定的酶（P450s）负责其中的每一个步骤。

• Boltz2ESI 被给予了一份包含 107 个候选酶的名单，并被要求找出正确的酶。
• 它成功地将正确的酶排在了更高的排名位置。例如，它将第一步的酶（CYP87G1）排在第 8 位，而之前最好的方法将其排在第 13 位。
• 它还正确地将“旁系同源酶”（paralogs，即在不同植物部位执行相同任务的非常相似的酶）归为一类，这表明它理解的是底层生物学逻辑，而非仅仅是表面数据。

这为何意义重大

作者指出，这种方法是实现代谢路径“去孤儿化”（de-orphaning，即弄清自然界中未知酶的功能）的重要进步。通过放弃刚性、静态的模型，转而拥抱酶的动态与灵活性，Boltz2ESI 提供了一张更准确的化学世界地图。

虽然该工具目前在计算上非常沉重（运行这些复杂的模拟需要时间），但结果表明，酶发现的未来在于那些能够“观看舞蹈”，而不只是“凝视冻结姿态”的模型。这可能会加速新药的发现、工业酶的开发，并让我们更深入地理解生命的化学本质是如何运作的。