在AI应用日益渗透科研领域的今天，一项来自中国科学技术大学的突破性成果为光合作用研究带来了全新视角。张凯教授团队联合中外学者，首次在植物天然膜环境中解析了光合作用核心复合物的高分辨率原位结构，揭示了植物如何通过精巧的分子设计高效利用太阳能。这一成果不仅深化了我们对自然光合作用的理解，也为人工光合系统和生物能源开发提供了重要理论支撑。该研究发表于国际顶级期刊《自然》，是2026年中国科大在CNS系列期刊上发表的第11篇论文。
光合作用：从宏观到微观的百年探索
光合作用被誉为地球上最重要的化学反应，是植物将太阳能转化为化学能的核心过程。自18世纪发现光合作用以来，科学家们从未停止对其分子机制的探索。然而，由于光合作用复合物嵌入在类囊体膜的天然脂质环境中，传统体外纯化方法往往需要使用去垢剂，这可能导致部分外周天线亚基脱落，从而丢失关键信息。过去20余年，冷冻电镜和X射线晶体学虽已解析体外纯化样品的光合作用复合物结构，但“原位”结构——即在天然膜环境中的真实结构——始终是未解之谜。
中国科大团队的研究正是在这一背景下突破。他们直接冷冻完整的植物叶绿体，利用先进冷冻电镜技术，在保留类囊体膜天然脂质环境的条件下，解析了PSII（光系统II）和PSI（光系统I）超级复合物的高分辨率原位结构。这一成果相当于为科学家提供了一台“分子显微镜”，让他们能够看到光合作用机器在真实环境中的运行状态。值得注意的是，该过程中大量使用了AI技术进行数据处理和图像重建，例如通过深度学习算法自动识别和分类冷冻电镜粒子，大幅提升了结构解析的效率和精度。
从2.3 Å到30个天线亚基：原位结构的惊人细节
研究团队获得的PSII—LHCII（捕光复合体II）超级复合物平均分辨率为2.89 Å，核心区域甚至达到2.3 Å——这意味着他们能够清晰分辨出单个原子的位置。在此基础上，他们构建了C₂S₂M₂L₄型原子模型，包含30个外周天线亚基，而此前体外纯化获得的C₂S₂M₂型结构仅含18个。多出来的12个亚基中，包含4个L型LHCII三聚体，这些亚基在传统去垢剂处理中几乎无法保留。
这一发现直接回答了光合作用领域的一个长期疑问：植物为什么需要如此多的天线复合物？团队通过分析结构发现，这30个天线亚基形成了一个高效的“光能漏斗”，将捕获的太阳光能逐级传递到反应中心。此外，结构中还识别出305个叶绿素分子、52个类胡萝卜素、8个质体醌分子和111个天然脂质分子。这些脂质分子被认为在维持复合物结构稳定性和促进能量传递中发挥关键作用。
研究还揭示了一个有趣的“盾牌”结构：PsbR亚基的N端环区在类囊体膜基质侧形成保护层，覆盖在质体醌交换通道上方。这类似于一个分子开关，可能调控着电子传递效率。通过AI画图技术，团队生成了这一结构的可视化模型，让复杂的分子机制一目了然。
类囊体膜堆叠的“骨架”网络：PSII的双重身份
类囊体膜是光合作用发生的场所，其独特的堆叠结构（类似硬币堆叠）被认为是提高光能利用效率的关键。然而，长期以来，膜堆叠的形成机制并不清楚。中国科大团队首次在水稻类囊体膜中直接观察到PSII—LHCII超级复合物的3类二聚体：并列式、跨腔侧和跨基质侧二聚体。这些二聚体还能进一步组装成三聚体和四聚体，形成横向延伸、贯穿相邻膜层的“骨架”网络。
这一发现颠覆了传统认知：PSII不仅承担光能转换功能，还直接参与支撑类囊体膜堆叠的物理结构。研究团队将这种结构称为“分子脚手架”，它像桥梁一样连接相邻的膜层，维持膜系统的稳定性和有序性。这一发现也解释了为什么植物在强光条件下会通过调整PSII的数量来调节膜堆叠程度——这可能是植物应对环境变化的一种自我调节机制。
从更广泛的角度看，这一研究对科技产品的设计也有启发意义。例如，在人工光合系统或高效太阳能电池中，模仿类囊体膜的堆叠结构和能量传递网络，或许能大幅提升能量转换效率。目前已有团队尝试利用AI工具导航中的分子模拟工具，基于这一结构数据设计新型纳米材料。
AI应用如何改变结构生物学
这一成果的取得，离不开AI技术的深度赋能。传统冷冻电镜数据处理需要人工筛选大量粒子图像，效率低且易出错。而研究团队采用了基于深度学习的自动粒子识别算法，能够在数小时内完成过去需要数周的工作。此外，在结构解析过程中，AI算法还用于优化原子模型的构建，例如通过自动纠正蛋白质侧链的构象错误，以及预测脂质分子与蛋白质的相互作用位点。
事实上，AI应用正在重塑整个结构生物学领域。以蛋白质结构预测为例，AlphaFold等工具已经能够从氨基酸序列直接预测三维结构，但实验验证仍是不可或缺的环节。而冷冻电镜与AI的结合，使得科学家能够更快、更准确地从实验数据中提取结构信息。中国科大团队此次使用的原位冷冻电镜单颗粒分析流程，就融合了多种AI技术，包括图像去噪、粒子分类和三维重建。
这一趋势也引发了更广泛的思考：当AI应用能够自动完成从数据采集到结构解析的闭环时，科学家的角色将如何转变？有观点认为，未来的结构生物学将更加注重“设计”而非“发现”——即利用AI生成的结构数据来设计新型药物或材料。对于普通读者而言，文生图等工具已经展示了AI在视觉创意上的潜力；而在科研领域，类似的技术正在帮助科学家“看见”分子世界的真实面貌。
从实验室到产业化：光合作用研究的未来图景
光合作用研究的终极目标之一，是模拟自然光合作用实现人工光能转换。目前，人工光合系统在效率上远低于天然植物，主要原因之一就是未能完全复现天然膜环境中的复杂结构。中国科大团队此次获得的原位结构，为人工设计提供了精确的“蓝图”。例如，研究人员可以基于C₂S₂M₂L₄原子模型，构建人工天线复合物，使其在能量传递效率上接近天然系统。
此外，该研究对农业也有潜在影响。通过理解植物如何调控类囊体膜堆叠来适应不同光照条件，科学家或许能培育出更高效利用光能的作物品种，从而提高粮食产量。在气候变化背景下，这一方向尤为重要。
值得注意的是，这一成果的产业化转化仍面临挑战。例如，如何大规模生产具有特定结构的光合复合物？如何将实验室中的结构信息转化为实际应用？这些问题的解决需要跨学科合作，包括材料科学、合成生物学和AI技术。AI图片生成工具可以从结构数据中生成直观的示意图，帮助研究人员和公众理解这些复杂机制。而AI工具箱中也涌现出越来越多专门用于生物分子模拟和设计的插件，降低了科研门槛。
从科学到科普：AI如何让光合作用“看得见”
对于普通公众而言，光合作用的结构解析可能显得遥远而抽象。但AI应用正在改变这一局面。通过艺术签名、AI网名等趣味工具，AI已经渗透到日常生活的方方面面；而在科学传播领域，AI同样发挥着重要作用。例如，基于该研究的结构数据，科普团队利用AI画图生成了高精度的三维动画，展示了太阳光如何从天线复合物传递到反应中心，以及电子如何在膜间传递。这些可视化内容在社交媒体上获得了数百万次播放，激发了公众对科学的兴趣。
更深层的意义在于，这项研究展示了基础科学与AI技术融合的强大潜力。科学家不再仅仅依赖传统实验手段，而是借助AI算法加速发现、验证假设。这种“AI+科学”的模式正在成为主流，甚至催生了新的研究方向——例如，利用AI设计新的光合作用路径，或者预测植物在极端环境下的适应机制。
展望未来，我们有理由相信，随着AI应用的不断突破，人类对自然界的理解将进入一个全新阶段。从光合作用到大脑神经，从蛋白质折叠到宇宙演化，AI正在成为科学家手中最强大的“放大镜”和“计算器”。而中国科大团队的这一成果，正是这一浪潮中的一朵浪花——它提醒我们，当AI遇见自然，奇迹随之发生。