稀土，既是新能源产业不可或缺的关键战略资源，进入环境后，又是需要密切关注的潜在风险。矿区尾水、工业排水里有没有稀土、含量多少，监测起来并不轻松。在中国科学技术大学精准智能化学全国重点实验室，一支名为澜境识水的年轻团队尝试用人工智能设计一种特殊蛋白——把它投进水里，稀土一现身，蛋白就会“发光”。

一把“分子锁”专等稀土这把钥匙

烧杯里的水样清澈见底，肉眼看不出任何秘密。但在澜境识水团队的实验台前，一只装有微量液体的离心管，就可能回答“水里有没有稀土”的问题。

“稀土既是新能源（产业的关键资源），而进入环境后又是需要关注的潜在风险。”团队方案设计总负责人、中国科大环境科学与工程博士生李康辉说，越是重要的战略资源，越需要知道它在哪里。

怎么知道？团队的办法是改造蛋白。“稀土离子就是钥匙。”李康辉打了个比方。他们从一种成熟的钙离子荧光传感蛋白出发，尝试把原本识别钙的开关，改造成识别稀土的开关，将稀土离子这把“钥匙”插入蛋白“锁孔”，蛋白荧光部分的亮度随之改变，分子层面的识别事件，就变成可以测量的光信号。

难就难在“真实”二字。团队实验成员、中国科大生态学硕士生陈艾介绍，真实废水成分复杂，也不是标准答案，各种干扰离子可能让探针在真实水样里“看走眼”。这正是环境场景对实验室成果提出的考题。

AI先跑一场“预选赛”

蛋白可以改造的位置和组合很多，一个个合成、挨个验证，成本和时间都吃不消。“而我们要做的，是在真正做实验以前，把大量候选缩小到更值得验证的少数方案。”李康辉说。

筛选拆成三步：第一步，用蛋白质结构生成模型（AlphaFold3）生成候选初始结构，判断整体折叠和识别区域是否合理；第二步，通过分子动力学模拟，比较关键结合状态下的能量、稳定性和构象变化；第三步，才轮到实验。“而计算更像一场预选赛。”李康辉说，无论计算给出多好的结果，最后仍要用实验验证它是否真正有效，最终必须由实验给出答案。

候选进入实验以后，研究人员先看蛋白能否顺利获得，再测它对稀土的选择性怎么样。实验室白板上，结构预测、计算筛选、结构合成、性能表征、实验验证每一步后面都打上了对勾。自动化多肽合成仪在蓝光中运转，机械臂沿着导轨移动移液，年轻人们相信，AI的价值不是取代实验，而是让每一次实验都更值得做。

成功和失败都会记录

在澜境识水团队的研发逻辑里，实验结果反馈本身就是一个专门章节，“成功与失败，都有价值”，这是团队刻在心里的话。

陈艾介绍，每一轮实验数据都会完整保留，并与计算预测逐项对照。一种情况是预测结构很好、但实验表现不理想，下一轮就要调整候选评分和设计规则；另一种情况是蛋白能结合稀土、但荧光变化较弱，说明信号传递还要优化；若是在复杂水样中实验误差变大，就把干扰因素纳入后续判读。“失败数据，也会成为下一轮设计的依据。”李康辉说，计算预筛与实验验证，正在逐步形成闭环。

在团队看来，项目的核心创新可以概括为三个：一是开关转换，把识别钙的荧光开关改造成识别稀土的开关；二是候选预筛，用AI和计算进行可解释的候选预筛；三是前端筛查，面向复杂废水做前端筛查，而不是做替代精密仪器。

这也划清了新技术的边界，精密仪器检测准，但检测时间和设备成本高；蛋白探针要做的，不是取而代之，而是先找出真正需要进一步复核的样品，这可以让大量水样先经过快速前筛，再把异常或不确定的样品交给精密仪器确认，并给出风险分级和复核建议。

让基础研究更快走向真实水体

团队的设想，正在中国科大“高通量水质智能分析平台”上找到落点。平台以实验室智能化与机器人系统融合实现高通量水质分析，集成化自动进样与样品预处理，智能化多参数检测覆盖氨氮、总氮、COD和重金属，再以机器学习进行污染识别与智能预测，服务煤化工等高污染行业的过程用水管控，推动水质监测从“静态检测”向“智能感知”转变。

团队介绍，目前已获得了对Nd、Dy（钕、镝，原子序数分别为60、66，均为稀土元素）产生特异性荧光响应而对钙（Ca）无明显响应的传感蛋白，并完成了较系统的荧光响应和选择性测试。蛋白质结构生成模型（AlphaFold3）和自动化全原子分子动力学流程也已经用于真实候选，计算预筛和实验验证正逐步形成闭环。

下一步，团队着眼提高探针在复杂水样中的稳定性，并采集荧光信号与水质背景参数的联合数据，逐步形成风险分级和复核建议，“让AI减少盲目试错，让基础研究更快走向真实水体。”（安徽商报记者 郜征 通讯员 陆冰钊）