大衛(wèi)貝克團隊：開啟按需定制生物傳感器的新紀元

編輯丨&

小分子結(jié)合蛋白在生物傳感、環(huán)境監(jiān)測、疾病診斷等領(lǐng)域有廣泛應(yīng)用。然而，天然蛋白質(zhì)的配體結(jié)合特異性有限，而傳統(tǒng)工程改造耗時費力。近年來，深度學(xué)習(xí)在蛋白質(zhì)設(shè)計領(lǐng)域取得了突破性進展，但從頭設(shè)計高親和力、高特異性、且可轉(zhuǎn)化為傳感器的小分子結(jié)合蛋白仍然充滿挑戰(zhàn)。

由華盛頓大學(xué)（University of Washington）的 David Baker 團隊領(lǐng)銜，聯(lián)合韓國科學(xué)技術(shù)院（KAIST）、哈佛大學(xué)等多家頂尖科研機構(gòu)的研究團隊，通過結(jié)合深度學(xué)習(xí)與基于物理的方法，成功設(shè)計并驗證了一個具有多樣化幾何口袋的 NTF2 蛋白質(zhì)家族，為環(huán)境、生物醫(yī)學(xué)及分析化學(xué)領(lǐng)域的小分子檢測提供了全新的平臺。

相關(guān)研究以「Small-molecule binding and sensing with a designed protein family」為題，于 2026 年 3 月 28 日發(fā)布在《Nature Communications》。

論文鏈接：https://www.nature.com/articles/s41467-026-70953-8

支架生成與多樣化口袋

該研究的核心策略是利用 NTF2（Nuclear Transport Factor 2）樣折疊作為基礎(chǔ)支架。這個折疊由 3 個螺旋和一個彎曲的 6 鏈 β 片層組成，形成一個天然的大空腔，許多 NTF2 家族蛋白在自然界中就能結(jié)合類固醇類小分子。

研究團隊希望利用這個「特權(quán)」折疊，生成一系列結(jié)構(gòu)多樣的骨架，以適應(yīng)不同小分子的形狀和化學(xué)性質(zhì)。

圖 1： 基于NTF2的小分子結(jié)合與傳感設(shè)計策略。

研究團隊通過三種主要路徑生成了超過 10,000 個具有多樣化口袋幾何形狀的蛋白質(zhì)支架：

1. 基于家族范圍內(nèi)的「幻覺」（Hallucination）生成方法，保留天然氫鍵網(wǎng)絡(luò)，產(chǎn)生了 1,615 個支架。
2. 通過 ProteinMPNN 重新設(shè)計上述支架序列，并使用 AlphaFold 驗證其折疊準(zhǔn)確性，篩選出 3,230 個支架。
3. 利用 Rosetta 進行參數(shù)化生成，結(jié)合 ProteinMPNN 重新設(shè)計和 AlphaFold 驗證，生成了 6,838 個支架。

這套龐大的支架庫為針對不同目標(biāo)小分子進行精確匹配提供了可能。

圖 2：小分子結(jié)合蛋白的表征。

研究人員選取了六種在化學(xué)和結(jié)構(gòu)上各異的小分子作為設(shè)計目標(biāo)，利用 RIFdock 工具，研究團隊將這些配體分別置于萬余個 NTF2 支架的中央口袋中，開啟了針對性的結(jié)合界面設(shè)計。

結(jié)合物理與深度學(xué)習(xí)的設(shè)計

針對小分子結(jié)合蛋白設(shè)計中「極性界面設(shè)計」這一難題，研究團隊采用了兩種互補的設(shè)計方法。

策略 1（用于 Set 1 骨架）：利用骨架中預(yù)存的氫鍵網(wǎng)絡(luò)（HBNet）來「錨定」小分子的極性基團。這種方法側(cè)重于物理模擬，通過將小分子的極性官能團對接到 Set 1 支架中預(yù)先安裝的氫鍵網(wǎng)絡(luò)（HBNets）上，并結(jié)合 Rosetta 進行序列優(yōu)化，特別適合那些含有極性官能團的配體。

策略 2（用于 Set 2 和 3 骨架）：充分利用了深度學(xué)習(xí)模型的優(yōu)勢，引入了專門針對蛋白-小分子復(fù)合物訓(xùn)練的 LigandMPNN 模型。與傳統(tǒng)方法相比，LigandMPNN 能更有效地平衡蛋白質(zhì)-配體相互作用與蛋白質(zhì)內(nèi)部的相互作用。

在實驗表征階段，研究團隊將篩選出的數(shù)萬個設(shè)計序列通過合成寡核苷酸的方式在酵母中表達，并利用酵母表面展示技術(shù)結(jié)合熒光激活細胞分選（FACS）進行篩選。結(jié)果顯示，所有六個目標(biāo)分子都成功檢測到了結(jié)合信號。

皮質(zhì)醇傳感器的構(gòu)建與應(yīng)用

作為該研究最具應(yīng)用價值的案例，團隊進一步開發(fā)了基于皮質(zhì)醇（Cortisol）的生物傳感器。皮質(zhì)醇是人體生理樣本中重要的生物標(biāo)志物，其在血漿中的異常升高（大于 38 nM）是庫欣綜合征等疾病的診斷依據(jù)。

為了構(gòu)建高性能傳感器，研究人員首先通過定點飽和突變（SSM）和組合突變篩選，將原始設(shè)計 hcy129 的結(jié)合親和力提升至 68 nM（變體名為 hcy129.1），親和力提高了 31 倍。

圖 3：設(shè)計的皮質(zhì)醇和阿哌沙班結(jié)合蛋白的結(jié)構(gòu)分析。

通過對富集群體進行 FACS 分析和 SEC 驗證，團隊成功獲得了一個名為 miniH11 的組件，它能與 hcy129.1_CID 在皮質(zhì)醇存在的情況下形成穩(wěn)定的化學(xué)誘導(dǎo)二聚體（CID）系統(tǒng)。最后，研究團隊通過將這兩個 CID 組件分別與 NanoBiT 系統(tǒng)的 SmBiT 和 LgBiT 熒光素酶片段融合，構(gòu)建了一個發(fā)光傳感器。

圖 4：用于皮質(zhì)醇傳感的化學(xué)誘導(dǎo)異二聚體的設(shè)計與表征。

該傳感器對皮質(zhì)醇、可的松和 17α-羥孕酮有響應(yīng)，但對皮質(zhì)酮（缺少 17 位羥基）無響應(yīng)，與設(shè)計模型中關(guān)鍵極性相互作用的預(yù)測一致。

技術(shù)洞察

該研究展示了深度學(xué)習(xí)工具（如 ProteinMPNN, LigandMPNN 和 AlphaFold）與傳統(tǒng)物理建模（Rosetta）深度融合的巨大潛力，尤其是如何從頭設(shè)計出針對多種小分子的高親和力結(jié)合蛋白，并將其轉(zhuǎn)化為功能性傳感器。特別是化學(xué)誘導(dǎo)二聚化系統(tǒng)的設(shè)計為構(gòu)建模塊化、可調(diào)控的生物傳感器提供了通用平臺。

盡管目前在處理疏水性較強的配體或極度相似的化學(xué)異構(gòu)體時，特異性仍面臨挑戰(zhàn)，但這一平臺的建立為未來開發(fā)面向全球環(huán)境監(jiān)測或個人健康管理的即時感測技術(shù)奠定了理論與實驗基礎(chǔ)。隨著未來深度學(xué)習(xí)模型對蛋白-配體相互作用預(yù)測精度的進一步提升，定制化生物傳感器的開發(fā)將變得更加精準(zhǔn)和高效。

https://phys.org/news/2026-04-ai-proteins-built-specific-compounds.html