2026-09-19
UC Berkeley 与 Tatta Bio 把基因组语言模型 gLM2 接到离散扩散上,两轮改写嵌合 I 型聚酮合酶,尼龙单体 δ-戊内酰胺产量相对出发酶最高升 9.4 倍。
I 型聚酮合酶(PKS)是微生物里的分子流水线:催化结构域按固定顺序把小分子拼成抗生素、抗癌药一类复杂天然产物。过去四十年,FDA 批准的小分子药里超过一半来自天然产物、衍生物或人工模拟物。工程师一直想把不同来源的模块像乐高一样互换,按需合成自然界没有的分子。
模块互换在湿实验里又慢又低产。功能依赖底物通道和结构域之间的接触,这些规则写不出来。即便按进化重组边界来切,嵌合体也经常功能受损。Keasling 组此前把 Fluvirucin 与 Cremimycin 两条天然 PKS 拼成 VL-Start,能产尼龙-5 单体 δ-戊内酰胺,这是 PKS 在自然界不做的分子。VL-Start 已是 140 个模块交换文库里产量最高的一条。这篇要问的是:基因组语言模型能不能在整条酶的上下文里改写大段多结构域序列,把这条非天然流水线跑得更好。
底座是 Tatta Bio 的 gLM2,6.5 亿参数,原先在 OpenMetaGenomic 的 3.1 万亿碱基上做掩码预训练,蛋白编码区用氨基酸、基因间区用核酸。掩码编码器本身不会采样。这篇把它接到离散扩散上,做成能填空、能按模板优化、也能从头生成的模型。
训练分两段。先在 OpenGenome 的 620 万条微生物 contig(约 4 亿条蛋白)上微调,丢掉基因间区,每条编码序列的掩码率在 0% 到 100% 之间独立抽取,这样既能无条件生成,也能按邻居蛋白或固定结构域做条件设计。再拿到 BiG-FAM 的 122.5 万个生物合成基因簇上继续训,其中含 21.1 万条 PKS、33.7 万条非核糖体肽合成酶、7.95 万条杂交簇。上下文扩到 16,384 个氨基酸。词表加了 1,999 个 antiSMASH 结构域家族特殊 token,推理时把想要的催化顺序当前缀,结构域顺序就能当控制旋钮。采样用 Path Planning 扩散解码。两段微调各在 8 张 H100 上跑约 90 小时和 80 小时。
实验对象是 VL-Start,经 SAGE 整合进 Pseudomonas putida 染色体产 δ-戊内酰胺。设计拆成两轮,避开一次合成 7.5 kb、GC 约 60% 的长片段。
第一轮 45 条设计全部不低于 VL-Start,84%(38/45)超过 VL-Start 一个标准差。最高的 R2-Start 产量约 5.7 倍。第二轮最高设计相对 R2-Start 大约翻倍,相对 VL-Start 最高 9.4 倍。引言里把两轮增量写成 5.7 倍和 1.67 倍,连乘接近 9.4。
| 轮次 | 改写区 | 实测条数 | 相对 VL-Start |
| Round 1 | KS-AT,钉 79 残基 | 45 | 最高约 5.7 倍 |
| Round 2 | DH-ER-KR,不钉残基 | 28 | 最高 9.4 倍 |
第二轮即便不钉活性位点,测过的序列里注释催化残基全部原样留下,预测活性位点的中位替换率比窗口其余位置低 38 倍。替换主要落在溶剂暴露表面,埋藏核心和活性口袋被压着。相对 ClusterCAD 天然 PKS 比对:约 45% 是该位点共识残基,约 45% 是频率不低于 5% 的常见残基,约 9% 稀有,约 1% 该位点从未出现过。生化上偏保守,以类内替换为主。
最终冠军 R2-Top 在两个窗口里相对 VL-Start 只改了 256 个位点,窗口内同一约 86%。它并不收敛到某一条天然 PKS:BiG-FAM 训练集约要拼 78 条、NCBI nr 约要拼 58 条,才能覆盖 99% 的位点。AlphaFold3 的 pLDDT 和 gLM2 伪似然都预测不了产量,第一轮 pLDDT 甚至和滴度弱负相关。蛋白质组显示表达量能解释一部分高低,但解释不完。
这是基因组语言模型把多结构域装配线从复现自然功能推到扩功能:产物是 PKS 天然不做的尼龙单体。对做合成生物学的实验室,路径具体。先钉住催化口袋改一轮双结构域,再放开约束改下游还原环,湿实验规模是几十条而不是上千条。模型权重和代码已经公开。
它也把「模块可插拔」这个旧叙事往回收了一点。跟着高产一起出现的突变散落在催化结构域、连接肽、离原来嵌合接头很远的位置,不是修一个接头就完事。对基因组挖掘出来、没有配体结构的生物合成基因簇,第二轮那种不钉残基的生成更贴近真实可用的场景。
这仍是渐进工作。模板已经能工作,而且是 140 条人工嵌合体里最好的一条。模型是在已有功能的酶上做序列优化,不是从空白页设计一条新装配线。
作者自己写明:无法判断这 256 个替换里哪些真正贡献了产量,更无法排除少数局部突变扛了大部分增益。滴度跟替换位置、序列聚类、结构置信度都对不上。第二轮用了错开的基因组整合位点,和第一轮不完全同条件。表达量是驱动因素之一,高低产设计都解释不完。
实验只打在一条嵌合 PKS、一个产物、一个宿主上。gLM2 伪似然被用来筛候选,筛完之后它自己也排不出谁高产,湿实验仍是瓶颈。Boltz-2 在 PKS 上的配体放置并不稳:KS 成功率 38%,DH/ER 约 18.2%,多结构域对接成功率 0%。第一轮钉死的 79 个残基建立在这个口袋预测上。Tatta Bio 已就基因组语言模型用于生物合成装配线申请专利。bioRxiv 预印本,尚未同行评审。