用AI重新設(shè)計(jì)賦予蛋白酶進(jìn)化更高的起點(diǎn)，改造天然序列解鎖超過79倍特異性提升

編輯丨&

蛋白質(zhì)進(jìn)化一直是生命科學(xué)中創(chuàng)造新功能的重要方式。

通過定向進(jìn)化，科學(xué)家可以讓天然蛋白獲得新的催化能力、底物偏好或更高活性。但這一過程始終面臨一個(gè)限制：蛋白序列并不是越容易改變?cè)胶谩ＴS多突變雖然能夠帶來新的功能，卻也會(huì)破壞蛋白穩(wěn)定性，使后續(xù)進(jìn)化陷入瓶頸。

那么，如果在進(jìn)化開始之前，先利用 AI 重新設(shè)計(jì)一個(gè)更加適合作為「起點(diǎn)」的蛋白，是否能夠讓后續(xù)進(jìn)化探索更廣闊的空間？

來自哈佛大學(xué)、Broad研究所和霍華德·休斯醫(yī)學(xué)研究所等的研究人員，于 2026 年 7 月 22 日在《Nature》發(fā)表了一項(xiàng)研究「AI-redesigned starting points and outcomes enhance protein evolution」，為這一困境提供了一個(gè)出人意料的解決方案。

論文鏈接：https://www.nature.com/articles/s41586-026-10820-0

為進(jìn)化墊高起點(diǎn)

自然界經(jīng)過數(shù)億年的演化，已經(jīng)產(chǎn)生了大量具有穩(wěn)定結(jié)構(gòu)和功能的蛋白。然而，當(dāng)科學(xué)家希望讓這些蛋白獲得自然界中不存在的新能力時(shí)，天然序列往往并不是最理想的起點(diǎn)。原因在于，蛋白功能和穩(wěn)定性之間存在復(fù)雜平衡。

一個(gè)蛋白如果過于穩(wěn)定，可能難以產(chǎn)生新的結(jié)構(gòu)變化；但如果突變過多，又可能導(dǎo)致蛋白無法正確折疊，失去原本功能。因此，實(shí)驗(yàn)進(jìn)化過程中存在一個(gè)核心矛盾：如何在保持蛋白基本結(jié)構(gòu)和活性的同時(shí)，讓它擁有更多可以探索的新序列空間。

這正是論文中 AI 設(shè)計(jì)方法發(fā)揮作用的位置。不過，這并非意味著讓 AI 直接設(shè)計(jì)新功能——那仍超出當(dāng)前能力邊界——而是讓 AI 重設(shè)計(jì)已有酶的序列，在不觸動(dòng)催化核心的前提下系統(tǒng)提升穩(wěn)定性。他們將這個(gè)概念稱為「AI-redesigned starting points」（AI 重設(shè)計(jì)進(jìn)化起點(diǎn)）。

圖 1：整合計(jì)算蛋白序列設(shè)計(jì)與連續(xù)進(jìn)化的概述，以及穩(wěn)定化 BoNT/E 蛋白酶的重新設(shè)計(jì)。

為什么選擇肉毒桿菌神經(jīng)毒素（BoNT）蛋白酶？這類酶已被證明可通過 PACE 重編程底物特異性，且其天然底物 SNAP25 與許多治療靶點(diǎn)差異巨大。更重要的是，歷史經(jīng)驗(yàn)表明，從野生型 BoNT 出發(fā)重編程后，變體往往穩(wěn)定性下降、表達(dá)量降低——恰好是檢驗(yàn)「起點(diǎn)質(zhì)量」的試金石。

為了重新設(shè)計(jì)這些蛋白，研究團(tuán)隊(duì)使用了兩種AI輔助蛋白優(yōu)化方法：

一種是基于結(jié)構(gòu)信息的序列優(yōu)化方法ProteinMPNN；另一種是用于提高蛋白穩(wěn)定性的設(shè)計(jì)工具PROSS。兩種方法雖然目標(biāo)相似，但設(shè)計(jì)邏輯不同。

ProteinMPNN 根據(jù)蛋白三維結(jié)構(gòu)信息，預(yù)測(cè)哪些氨基酸組合更可能形成穩(wěn)定結(jié)構(gòu)。它并不是簡(jiǎn)單尋找與天然序列相似的替代方案，而是在保持整體結(jié)構(gòu)約束的情況下，探索更加適合該結(jié)構(gòu)的新序列。

PROSS 則主要關(guān)注蛋白穩(wěn)定性，通過分析結(jié)構(gòu)中的關(guān)鍵區(qū)域，對(duì)可能影響折疊和穩(wěn)定性的位點(diǎn)進(jìn)行優(yōu)化。

研究人員隨后將這些 AI 重新設(shè)計(jì)后的序列進(jìn)行實(shí)驗(yàn)驗(yàn)證，篩選出能夠正確表達(dá)、保持催化能力，并且具有更高穩(wěn)定性的蛋白變體。

這些經(jīng)過 AI 優(yōu)化的蛋白，成為后續(xù)實(shí)驗(yàn)進(jìn)化的新起點(diǎn)。

圖 2：結(jié)合 PACE 進(jìn)化的 BoNT/E 突變與 ProteinMPNN 重設(shè)計(jì)，提升了重編程 PTEN 切割 BoNT/E 蛋白酶變異的表達(dá)水平和活性。

特異性差距的背后

團(tuán)隊(duì)選擇了三種不同的 BoNT 蛋白酶作為模型體系，并分別構(gòu)建了天然序列起點(diǎn)、AI 優(yōu)化序列起點(diǎn)以及經(jīng)過穩(wěn)定性改造的序列起點(diǎn)。隨后，研究人員利用 PACE 系統(tǒng)對(duì)這些蛋白進(jìn)行連續(xù)進(jìn)化，通過不斷施加選擇壓力，觀察不同起始蛋白是否能夠產(chǎn)生更優(yōu)的新功能。

實(shí)驗(yàn)結(jié)果顯示，AI 重新設(shè)計(jì)的蛋白確實(shí)改變了進(jìn)化軌跡。

與天然蛋白相比，經(jīng)過 AI 優(yōu)化后的起點(diǎn)更容易產(chǎn)生具有目標(biāo)功能的變體。這說明 AI 設(shè)計(jì)并不是簡(jiǎn)單提高某一個(gè)蛋白當(dāng)前狀態(tài)下的性能，而是在改變蛋白能夠探索的序列空間，使后續(xù)實(shí)驗(yàn)進(jìn)化更容易找到有效方向。

圖 3：PACE 底物面板上序列設(shè)計(jì)蛋白酶的進(jìn)化性。

為了進(jìn)一步測(cè)試 AI 輔助進(jìn)化是否能夠產(chǎn)生新的功能，研究團(tuán)隊(duì)不僅關(guān)注蛋白活性的提高，還檢測(cè)了這些進(jìn)化后蛋白是否能夠識(shí)別新的目標(biāo)底物。

其中一個(gè)重要實(shí)驗(yàn)，是針對(duì) Ataxin-2 蛋白序列的切割能力測(cè)試。

Ataxin-2 是一種與神經(jīng)退行性疾病相關(guān)的重要蛋白。研究人員希望觀察，通過 AI 優(yōu)化起點(diǎn)并結(jié)合 PACE 進(jìn)化，是否能夠讓 BoNT 蛋白酶獲得針對(duì)新底物的識(shí)別能力。

實(shí)驗(yàn)顯示，經(jīng)過 AI 重新設(shè)計(jì)和后續(xù)進(jìn)化后的蛋白，能夠產(chǎn)生更強(qiáng)的 Ataxin-2 切割活性，同時(shí)保持較好的底物選擇性。其中部分變體相比原始蛋白，在目標(biāo)識(shí)別能力上實(shí)現(xiàn)了顯著提升，特異性最高提高約 79 倍。

圖 4：序列重設(shè)計(jì)與 WT 蛋白酶的重編程，特異性地切割治療性非天然靶點(diǎn)。

自然選擇到計(jì)算預(yù)選擇

AI 重新設(shè)計(jì)提供了一種新的入口：先利用結(jié)構(gòu)信息和機(jī)器學(xué)習(xí)方法優(yōu)化蛋白基礎(chǔ)屬性，再讓實(shí)驗(yàn)進(jìn)化在更有潛力的空間中繼續(xù)搜索。

這種方法將計(jì)算設(shè)計(jì)與實(shí)驗(yàn)選擇結(jié)合起來，使蛋白工程從單純依賴隨機(jī)探索，逐漸轉(zhuǎn)向更加有方向性的探索。

當(dāng)然，這一方法仍然存在限制。例如，AI 設(shè)計(jì)是否能夠推廣到更多類型蛋白，如何進(jìn)一步預(yù)測(cè)哪些設(shè)計(jì)起點(diǎn)最適合特定進(jìn)化目標(biāo)，以及如何降低實(shí)驗(yàn)篩選成本，仍然需要進(jìn)一步研究。

當(dāng)穩(wěn)定性不再是瓶頸，蛋白質(zhì)進(jìn)化的搜索空間從懸崖邊的狹窄小徑，擴(kuò)展為高原上的廣闊平原。未來的定向進(jìn)化，或許不再始于自然，而始于 AI 鋪好的臺(tái)階。