在植物病害每年造成数千亿美元经济损失的严峻现实下，传统抗病育种依赖天然抗病基因的挖掘与利用，却因病原物持续进化而不断失效。中国科学院遗传与发育生物学研究所高彩霞研究员团队近日在《科学》杂志发表重磅成果，首次提出“可编程植物合成免疫”新理念，通过整合人工智能辅助蛋白质设计、模块化免疫受体工程和植物体内定向进化技术，实现了植物免疫受体的精准定制化设计。这一突破不仅打破了天然抗病基因资源的限制，更标志着农业生物技术正式迈入AI驱动的合成免疫时代。
从“天然免疫”到“合成免疫”：一场植物防御的革命
植物免疫系统长期以来依赖两类核心受体：模式识别受体（PRR）和NLR免疫受体。其中，NLR受体是植物免疫系统的“王牌部队”，通过高度重复的富亮氨酸重复结构域来检测病原体分泌的效应蛋白。然而，这类受体的结构复杂性使得传统基因工程改造举步维艰——它们就像一把无法更换锁芯的旧锁，只能被动等待病原体“钥匙”的匹配。
高彩霞团队的研究打破了这个僵局。他们瞄准了一类特殊的NLR受体——那些通过紧凑型模块化集成诱饵结构域识别病原体的受体。这类受体天然具备一个“可替换模块”：诱饵结构域可以被全新设计的病原识别模块替代。这就好比将一把固定锁具升级为可编程的智能锁，只要输入新的病原体“指纹”，就能快速生成对应的防御方案。
在整个设计流程中，研究团队完全摒弃了传统依赖天然抗病基因资源的路径。他们仅基于已知病原蛋白的结构信息，就可以从头设计结合蛋白，再将其整合到水稻免疫受体Pikm-1中，构建出全新的合成免疫受体。这种“零基础”的设计能力，为应对新兴病原体——比如不断变异的新冠病毒类似物在植物界的爆发——提供了前所未有的响应速度。
这一突破的背后，是人工智能在蛋白质设计领域的深度应用。团队利用AlphaFold 3和BindCraft等AI辅助工具，精准预测病原蛋白的三维结构，并设计出高亲和力的结合蛋白。正如高彩霞研究员所言，AI让蛋白质设计从“试错”变成了“按图索骥”。
AI如何破解植物免疫受体的设计难题？
植物NLR受体的工程化改造之所以长期停滞，核心难点在于其富亮氨酸重复结构域（LRR）的序列高度重复且结构柔性大。传统的理性设计方法很难预测单个氨基酸替换对整体构象的影响，而高通量筛选又受限于植物转化效率低、周期长等瓶颈。
研究团队选择了一条更聪明的路径：绕过LRR区域，直接改造诱饵结构域。他们将问题拆解为三个步骤：第一，用AI工具导航上的AlphaFold 3预测病原蛋白的结构；第二，利用BindCraft等AI工具从头设计能与病原蛋白特异性结合的小蛋白模块；第三，将这些模块替换到受体原有的诱饵结构域位置。整个流程完全在计算机虚拟环境中完成，只有最后一步才进入实验室验证。
这种“先设计、后验证”的模式极大地提高了效率。团队以马铃薯Y病毒衣壳蛋白为验证靶标，设计了48个合成受体，其中11个能特异性识别靶标并激活免疫反应，成功率高达22.9%。值得注意的是，这些设计完全基于病原蛋白的结构信息，而非依赖任何已知的抗病基因。这意味着，即使是一种从未在自然界出现过的病原体，只要科学家能解析其关键蛋白的结构，就能在几周内设计出对应的免疫受体。
在后续扩展测试中，团队进一步针对13种重要植物病毒以及细菌、真菌、卵菌等多种病原物的蛋白完成了相应设计，共构建了391个合成植物免疫受体。其中一个令人振奋的案例是，针对番茄褐色皱果病毒（ToBRFV）设计的合成受体，在转基因本氏烟草中展现出高效抗性。ToBRFV是近年来在全球番茄产区肆虐的毁灭性病毒，传统抗病品种几乎全面失效，而AI设计的合成受体为这一难题提供了全新解决方案。
数据说话：391个合成受体的成败启示
391个设计、71个成功——18.2%的整体成功率，在蛋白质从头设计领域已经属于相当亮眼的成绩。但更值得关注的是失败案例带来的启示。研究团队发现，部分设计存在免疫活性不足或自激活（即不依赖病原体就自动触发免疫反应，会导致植物生长受损）的问题。
针对这些“瑕疵品”，团队启用了此前建立的植物体内定向进化系统——GRAPE。这个系统可以在植物体内对受体基因进行随机突变和筛选，模拟自然进化过程，但速度被加速了百万倍。经过GRAPE优化后的合成受体，不仅免疫活性显著提升，还解决了自激活问题，在温室实验中展现出对ToBRFV的稳定抗性。
从技术经济角度看，18.2%的成功率也意味着巨大的优化空间。随着AI模型的迭代——比如新一代的蛋白质设计工具已能实现更高的结合亲和力预测精度——这个成功率有望在未来几年内突破50%甚至更高。更重要的是，大模型训练让AI具备了从成功案例中学习的能力，每一次失败都是在为训练数据贡献宝贵样本。
这种“AI设计+定向进化”的双轮驱动模式，被《科学》审稿人评价为“为在作物中开发持久、广谱的抗病性奠定了坚实基础”。它表明，合成免疫受体不再是一个个孤立的“手工制品”，而是一个可以批量生产、持续优化的标准化流程。
从小麦到水稻：定制化免疫的广阔应用前景
传统抗病育种周期通常需要5-10年，而病原体变异的速度可能只需要1-2年就能突破抗性。这种“军备竞赛”中，作物育种始终处于被动地位。高彩霞团队的技术路线有望从根本上改变这一格局：只要病原体出现新的变异，科学家就能在几周内设计出对应的新免疫受体，并通过转基因或基因编辑技术快速导入作物。
目前，这项工作已在水稻（Pikm-1受体）和本氏烟草上验证成功。但研究团队表示，该设计平台具有普适性，理论上可以应用于任何具有类似模块化结构的NLR受体。小麦、玉米、大豆等主要粮食作物的抗病育种都将受益。例如，小麦条锈病这种几乎年年爆发的“作物癌症”，其病原菌生理小种频繁变异，传统抗病基因往往三五年就失效。如果利用AI技术设计针对不同小种效应蛋白的合成受体，就有可能实现“一劳永逸”的广谱抗性。
此外，该技术还可以与AI图片生成结合，可视化展示病原蛋白与合成受体的结合动态，帮助科学家更直观地理解免疫激活机制。随着AI Agent技术的成熟，未来甚至可能出现自动化的“AI科学家”——由AI自主设计受体、模拟验证、输出最优方案，人类只需完成最后的植物转化实验。
未来展望：AI+定向进化，按需创造超级作物
高彩霞研究员在采访中透露，未来随着AI、蛋白质设计与体内定向进化等技术的深度融合，植物合成免疫受体有望完全实现“按需设计与迭代优化”。这意味着，农民在田间发现新型病害后，样本送往实验室，AI系统在数小时内就能给出候选受体设计方案，经过快速验证后，新一代抗病种子在下一个生长季就能投入使用。
从更宏观的视角看，这项技术正在重塑农业生物技术的底层逻辑。过去，我们依赖自然界的“基因宝库”，通过杂交或转基因将天然抗病基因导入作物；现在，我们开始用AI自主创造自然界不存在的免疫组件。这种从“发现”到“发明”的转变，正是最新科技在农业领域的典型体现。
当然，从实验室到田间还有很长的路要走。目前所有验证都在模式植物本氏烟草和转基因水稻中完成，距离大规模商业化种植还需要解决转化效率、多基因叠加抗性、环境安全性评估等问题。此外，病原体也可能进化出能够逃避AI设计受体的新型效应蛋白，这就需要设计策略持续更新。
挑战与思考：合成免疫离田间应用还有多远？
尽管前景光明，但植物合成免疫受体技术仍面临多重挑战。首先是转化效率问题。目前大多数作物的遗传转化效率仍然较低，特别是小麦、大豆等顽拗型作物，将合成受体基因稳定整合到基因组并有效表达需要大量时间和资源。其次是成本问题。AI设计本身计算成本不高，但体内定向进化（GRAPE系统）需要构建大量转基因植物，这在大规模筛选时可能变得昂贵。
另一个潜在风险是免疫反应过度激活。合成受体如果对非靶标蛋白产生交叉反应，就可能导致植物在没有病原体时也持续启动免疫防御，造成生长抑制和产量下降。虽然GRAPE系统已经解决了部分自激活问题，但在复杂田间环境下的长期稳定性还需要验证。
此外，公众对转基因作物的接受度也是一个不容忽视的社会因素。我国对转基因作物的商业化种植有严格审批流程，合成免疫受体属于全新类型的转基因产品，其安全性评估可能需要更长时间。不过，企业数字化转型正在加速农业科技企业的研发效率，一些头部种业公司已经开始关注这一技术路线，并尝试与科研机构合作进行前期产业化探索。
总体而言，高彩霞团队的这项研究是人工智能在农业领域的一次里程碑式突破。它证明了AI不仅可以优化现有流程，更能创造全新的生物学功能。这种“可编程植物合成免疫”理念，将来或许能扩展到植物抗逆、生长调控等其他领域，实现作物的全维度定制化。正如《科学》杂志的肯定，这项成果“为在作物中开发持久、广谱的抗病性奠定了坚实基础”。而AI技术的持续进化，将让这个基础更加牢固。
在AI工具箱中，蛋白质设计只是冰山一角。当我们把目光投向更广阔的最新科技领域，AI与生物学的融合正在催生一个又一个奇迹。从听懂植物语言的传感器，到预测作物病害的无人机，再到如今可编程的免疫系统，农业正在经历一场前所未有的智能化变革。而这场变革的核心，正是人工智能对人类认知边界的不断拓展。