2026-07-28
用 ProteinMPNN 重设计肉毒杆菌蛋白酶当定向进化起点,稳定性、活性全面超过野生型,对治疗靶点 ataxin-2 的选择性高出 79 倍。
定向进化是改造酶的常用手段,在实验室里反复突变、筛选,把一个天然蛋白训练成能干新活的工具酶。问题是天然蛋白作为起点并不理想。它在演化史上被「优化」过,但优化的是它原本的生存任务,不是稳定性或可改造性。结果就是很多关键突变一加上去酶就塌了,能探索的序列空间被卡在野生型附近一小片区域。
研究团队想验证一个直觉:先用 AI 把蛋白序列重新设计一遍,造出一个稳定性更高、更耐突变的版本,再拿它当定向进化的起点,能不能走到野生型走不到的地方。
工具链是两段拼接。前段是 ProteinMPNN,一个反向折叠的序列设计模型,给定蛋白骨架、反推一批稳定性更高的氨基酸序列。团队用它重新设计了三种肉毒杆菌神经毒素(BoNT)蛋白酶,得到的变体稳定性提升、催化效率不丢。
后段是定向进化,用的是噬菌体辅助连续演化(PACE),David Liu 实验室发明的技术,把突变和选择压缩到持续流动的反应器里,演化速度比常规方法快几个数量级。关键设计是「并排对照」:同一套筛选压力下,一组从 AI 重设计的起点出发,一组从对应的野生型出发,直接比谁走得远。
这套对照贯穿四个独立的进化战役,最后拉到一个真实治疗场景:把 BoNT/E 蛋白酶往能切割 ataxin-2(一种与神经退行性疾病相关的治疗靶点)的方向演化。
四组战役的结论一致:从 AI 重设计起点出发的酶,活性系统性高于野生型起点。
最强证据在 ataxin-2 这一仗:
| 起点类型 | 对 ataxin-2 的选择性 |
| AI 重设计起点演化出的最优变体 | 基准 |
| 野生型起点演化出的最优变体 | 低 79 倍 |
重设计演化路线上的突变,塞回野生型背景里就失灵,说明这些序列是野生型从自己的起点根本够不到的。催化效率、稳定性都更高,对原本底物的误切更少。
过去 AI 蛋白设计和定向进化是两拨人、两条线:设计模型负责造新蛋白,进化负责微调老蛋白。这篇把它们接成一条流水线,AI 不只是造一个终点产品,更是给进化换一个更稳的起跑线。对做酶工程、蛋白疗法的人,这是一个可以照搬的工作流,不是概念验证。
全文在 Nature 付费墙后,本解读基于官方摘要,具体数字(每个变体的稳定性提升幅度、PACE 轮次、ataxin-2 切割的绝对动力学常数)未取到。摘要只交代了「全面胜出」的定性结论和 79 倍这一个定量锚点,没有给出野生型起点在多少轮后触及天花板、AI 起点是否在所有底物上都更优这类边界条件。这类实验结论通常依赖大量单点突变回交验证,细节需要看正文才能判断稳健性。