2026-07-27
用 ProteinMPNN 重设计三种肉毒毒素蛋白酶当定向进化起点,四轮战役里一致进化出更高活性酶;切 ataxin-2 的选择性比天然起点高 79 倍以上。
工程化或实验室进化出来的酶,稳定性、活性或特异性往往不够好。常规做法是从天然蛋白(wild-type,WT)出发,靠定向进化一点点攒突变,但天然起点本身可能离你想要的功能「山顶」很远,中间隔着大量不利的突变,爬不过去。这篇 Nature 论文提出一个反直觉的做法:先用 AI 把蛋白序列重新设计一遍,拿这个重设计的版本当进化的起点,而不是用天然 WT。
他们用的 AI 模型是 ProteinMPNN(华盛顿大学开发的蛋白序列设计网络)。逻辑是这样的:ProteinMPNN 重设计后的酶,结构更规整、更稳定,可能也更「可突变」(mutationally robust),意味着它周围序列空间里的突变更容易存活。如果是这样,它就是个更好的进化跳板。
他们先用 ProteinMPNN 重设计了三种肉毒神经毒素(BoNT)蛋白酶,得到稳定性提升、催化效率完整的变体。然后做了一个对照实验:在完全相同的选择压力下,分别从 AI 重设计的蛋白酶和对应的天然 WT 蛋白酶出发,跑噬菌体辅助连续进化(PACE,phage-assisted continuous evolution,一种能让蛋白在几天内积累大量突变的高通量进化方法)。一共做了四轮进化战役,看哪边起点能进化出活性更高的酶。
四轮战役里,从 AI 重设计起点出发的进化,一致地比从 WT 出发的进化得到活性更高的蛋白酶。一个关键证据是:那些在重设计版本上进化出来的突变,移植回天然 WT 背景里就不好使了。这说明重设计起点确实把序列空间带到了天然蛋白够不到的高度功能性区域。
最具体的一个结果:他们让天然 BoNT/E 和 AI 重设计的 BoNT/E 都去进化出选择性切割 ataxin-2(一种与脊髓小脑共济失调相关的治疗靶点蛋白)的能力。从重设计起点进化出来的蛋白酶,催化效率更高、稳定性更好,同时尽量少切原本的天然底物,对 ataxin-2 的选择性比从 WT 进化出的最好变体高出 79 倍以上。
这给了 AI 蛋白设计一个新角色:做实验进化的跳板,提供一个天然蛋白给不了的起点。对蛋白工程和合成生物学,过去「天然酶改不动」的难题,可以先用 AI 把起点搬到一个更可进化的位置,再用定向进化收尾。流程是通用的,三种蛋白酶都成立。
这篇 Nature 文章在可获取文本里只到摘要层级,正文里的具体数字(比如各变体的 Tm 热稳定性、kcat/KM 催化常数、突变数量)未能读到,以上以摘要披露的事实为准。摘要层面,作者的论证是「AI 重设计带来更高的突变鲁棒性」,但鲁棒性本身在文中是间接论证(突变回 WT 失败)而非直接测量的指标。示范集中在三种 BoNT 蛋白酶这一类底物,这套流程在别的酶家族上是否同样有效,需要更多验证。