
北京時間10月7日,2026年諾貝爾化學獎得主名單正式揭曉。Henri B. Kagan博士和Kenso Soai博士因在不對稱有機合成中發現非線性效應和自催化作用方面的貢獻,共同摘得這一桂冠。
獲獎發現:破解“同手性"百年之謎的兩塊實驗基石
謎題:生命為什么只用一種鏡像?
氨基酸、糖類等分子存在兩種互為鏡像、卻無法重合的變體——化學家稱之為手性,兩種鏡像分子互為對映體。1848 年,巴斯德在顯微鏡下用鑷子把酒石酸晶體按左右兩種外形分開,發現它們使偏振光分別向左、向右偏轉,人類由此第一次確認分子可以有“左右手"之分。更令人困惑的是:構成生命蛋白質的氨基酸幾乎全部是左旋體,DNA 中的糖則全是右旋體——生命是同手性的;而化學家在試管里合成手性分子時,得到的卻總是兩種鏡像的等量混合物。這種不對稱從何而來,成為困擾化學界逾一個世紀的謎題。
1953 年,布里斯托大學理論物理學家 Charles Frank 給出了解題所需的數學結構:一個能自發產生同手性的化學反應須同時滿足三個條件——①存在手性催化劑與不對稱反應;②一種鏡像的生成被放大、另一種被抑制;③反應產物能催化自身的生成(自催化),從而產生自我強化的指數增長。此后,2001 年與 2021 年的諾貝爾化學獎分別完成了第一條(不對稱催化);2026 年的獎項,表彰的正是 Frank 模型中剩余兩個條件的實驗實現。
Kagan:非線性效應——手性可以被“放大"
上世紀 80 年代初,不對稱催化研究存在一個看似不言自明的共識:催化劑的手性會線性傳遞給產物——催化劑中兩種鏡像各占多少,產物就按比例生成多少。巴黎南大學的 Henri Kagan 對這一假設提出了質疑。他注意到,作為反應“馬達"的金屬離子通常能同時結合多個手性配體;若將左右兩種配體混合投料,體系中實際存在三種催化劑——“右-右"“左-左"與“左-右"。關鍵的一張底牌在于:“左-右"型異手性配合物的催化活性遠低于另外兩種,相當于把部分劣勢配體“鎖"進了低效物種中。
以 75% 右旋配體 + 25% 左旋配體為例,隨機配對后真正高效驅動反應的催化劑比例約為 90% 右旋對 10% 左旋——產物的對映體過量(ee 值)被顯著放大,高于催化劑本身的手性純度。1986 年,Kagan 在《美國化學會志》(J. Am. Chem. Soc. 1986, 108, 2353–2357)上一次性報道了三個呈現這種非線性效應的不對稱反應,描出的曲線是彎的,而非此前學界假定的直線。這完成了 Frank 模型的第二個條件;更重要的是,NLE 很快反過來成為化學家手中的診斷工具——通過測量產物 ee 與配體 ee 的關系曲線,可以反推反應的真實機理,進而有針對性地優化反應。
【圖1 Kagan 的發現:左右配體隨機結合金屬離子后生成三種催化劑(右-右 56%、左-右 38%、左-左 6%),其中左-右型幾乎不工作,使高效催化由 90% 右旋對 10% 左旋的物種主導,反應的不對稱性由此被放大。】
Soai:不對稱自催化——從非手性體系中“長"出手性
東京理科大學的Kenso Soai接過了最后一塊拼圖。他在研究一個具有強非線性效應的不對稱反應時注意到,該反應的催化劑與產物在結構上高度相似——這啟發他去尋找一種能催化自身生成的手性分子。經過大量分子試錯,他鎖定了 5-嘧啶基烷醇(5-pyrimidyl alkanol)。1995 年的關鍵論文報道:以僅 2% ee 的輕微過量起始,產物在自催化循環中被放大至 87% ee——Frank 模型的三個條件在同一個反應中齊備。
2003 年,Soai 給出了最終的結果:從一個非手性的溶液出發,反應初始因隨機漲落產生約 0.00005% 的微弱過量,該優勢鏡像隨即接管整個反應;經三次補加底物與試劑后,產物 ee 超過 99.5%,極限可達 99.99%。重復實驗時,左右哪一種鏡像勝出由初始的偶然決定——這是自生命起源以來,人類在實驗室從非手性體系實現手性對稱破缺、獲得高對映體過量產物,也為“生命的同手性如何起源"提供了第一條可實驗驗證的化學路徑。
【圖2 Soai 反應:非手性起始液中隨機生成的微量手性催化劑催化自身復制(自我強化過程);每輪補加底物與試劑后優勢鏡像持續放大——0.00005% → 57% → 99% → >99.5%】
現代醫藥與精細化工的根基,大多牢牢扎在有機合成的基礎之上
這兩項發現之所以在數十年后仍獲諾獎授予,是因為它們早已超出基礎謎題的范疇,成為產業界的日常工具。諾獎委員會的表述很明確:Kagan 的非線性效應已成為化學家設計新反應時獲取機理信息、優化對映體純度的常規手段,“對每一家制造與生命體相互作用物質的公司都至關重要"——覆蓋藥物、香料、香精與農用化學品,并在部分新材料的生產中同樣關鍵。
手性之所以值錢,是因為生命體本身就是手性環境:互為鏡像的兩個分子進入人體后,可能產生不同的命運。幾組可核實的事實足以釘住這個判斷:
鏡像即風險:一個鏡像治病,另一個可能致害。1960 年代初的沙利度胺事件中,該藥在體內會快速外消旋造成出生缺陷的正是該鎮靜劑活性物質的鏡像分子;抗結核藥乙胺丁醇的 (S,S) 構型具有治療活性,而 (R,R) 構型對病原體的效力約低 500 倍且伴隨視神經毒性;抗抑郁藥西酞普蘭的 S 構型 10 mg 即可達到外消旋西酞普蘭 40 mg 的治療效果。監管由此收緊——FDA 對手性原料藥的 ee 值通常要求超過 98%,ICH Q6A 要求對映體雜質譜必須明確控制。
產業已用投票給出答案。對美國 FDA 2013–2022 年批準小分子新藥的統計表明,約 60% 為單一手性分子,外消旋體占比已降至約 3.6%(2003–2012 年間尚為 11%);行業分析顯示,現代藥物分子普遍攜帶 2–4 個手性中心,而手性化學品全球市場 2024 年規模約 774 億美元,預計 2030 年達 1258 億美元,其中約七成用量來自制藥行業,其余為非手性/未披露立體化學的品種。
把視野再拉遠一層:從活性分子的路線設計與不對稱合成,到功能材料的分子級構型控制,現代醫藥與精細化工的根基,大多牢牢扎在有機合成的基礎之上。而“根基"二字在工程上的含義是具體的——每一個候選分子、每一條工藝路線、每一個手性純度指標,最終都要以實物樣品和實測數據的形式存在,才進入研發決策。
AI 設計的承接點,是濕實驗的物理驗證
這正是本屆諾獎對 AI4S 最有分量的提醒。AI 逆合成與生成模型可以在數小時內枚舉路線、打分候選——據學界通行估計,類藥分子的化學空間高達 10?? 量級,算法確實讓“搜索"變得便宜。但模型輸出的每一個分子與每一條路線,在物理世界里都還只是假說:它能否以可接受的收率與 ee 值合成出來、批間是否一致、雜質譜是否可控,只能由實驗回答。用反事實的方式說會更清楚:如果只有生成模型而沒有實驗執行,候選分子只是一串字符;如果只有自動化而沒有標準化數據,實驗結果無法回流建模;如果只有數據而沒有可追溯的工藝記錄,主動學習閉環就沒有燃料。
Soai 反應本身,就是對“實驗執行精度"極為典型的注腳:最終產物的左右手性,由初始約 0.00005% 的隨機漲落決定。換言之,反應對初始條件、投料精度與過程控制敏感到了物理極限——在這樣量級上,實驗條件的可重復性與數據的可追溯性,本身就是結論的一部分。AI 時代的化學研發瓶頸,已不在“設計端能想多少",而在“驗證端能穩穩接住多少":高通量、可復現、帶完整過程記錄的濕實驗能力,決定了假說被證實或被證偽的速度。
歐世盛正在建設的,正是這一層物理驗證與數據基礎設施,讓下游各類自驅實驗室實現高效無人運轉,每一次驗證都以結構化、可追溯的數據收口——AI 給出的假說由此獲得穩定、可橫向比較的物理回答,驗證結果再作為高質量數據回流模型。設計在算法中提速,結論在自驅實驗室驗證,這正是“干濕閉環"的完整形態。
驗證能力,正在成為研發的稀缺資產
從 1986 年的彎曲曲線到 2026 年的斯德哥爾摩,Kagan 與 Soai 的發現用了數十年完成從實驗現象到工業工具的沉淀——化學結論的分量,從來都以被重復驗證的次數來計量。AI 把分子設計的邊際成本壓向零之后,研發競爭中真正稀缺的,轉而成為高通量、可復現、可沉淀的物理驗證能力,以及隨之積累的數據資產。讓每一次實驗都被精確執行、被完整記錄、被模型復用,是歐世盛作為“物質科學研發的智能實驗基礎設施"提供者的長期命題——以智能裝備生態,成就科學家夢想。