基因治療的“導航儀”，AI能行嗎？

導語：基因治療作為前沿醫療技術，正在不斷擴展醫學認知的邊界，從脊髓性肌萎縮癥到遺傳性視網膜疾病，越來越多被視為無藥可醫的絕癥正在被攻克。但始終有一個瓶頸等待最后突破：如何把治療基因安全、高效地送到目標細胞？

一、基因療法的終極難題

怎么突破，答案有了，但還不夠完美。

答案是病毒載體。AAV、慢病毒、腺病毒……這些改造過的“基因快遞員”是當前的主力工具。但作為一個理想載體，它需要：精準識別靶細胞、高效遞送基因、同時避開免疫系統的檢查。傳統方法不是太慢，就是太貴，理性設計受限于我們對分子機制的理解，文庫篩選又會導致實驗負擔極重。

最近發表于《Biotechnology Advances》的一篇綜述，系統梳理了一個有望突破這個難題的新答案：機器引導的病毒載體生物工程，用計算機方法和AI來指導載體設計。

二、兩條路線：非ML方法與ML方法1. 非ML方法：物理定律與進化密碼

這類方法需要依賴三類工具：

圖1 非ML方法分類：基于序列（sequence-based）、基于結構（structure-based）和分子動力學模擬（MD）

· 基于序列：通過多序列比對，分析保守殘基，推斷哪些位點對功能至關重要。

· 基于結構：利用蛋白質3D模型和力場，評估突變對穩定性與相互作用的影響。

· 分子動力學模擬：模擬原子隨時間運動，揭示構象變化中的關鍵特征。

它的優勢在于提供深刻的機制理解，但仍然局限于“評估”已有候選，不能直接設計全新變體。

2.ML方法：讓數據自己說話

ML方法能從數據中自動學習復雜模式：

圖2 ML方法概覽：（A）學習范式；（B）建模目標

· 學習范式：無監督（發現數據內模式）、監督（從標簽學習預測）、自監督（通過預訓練獲取通用蛋白質表示）。

· 建模目標：判斷模型預測功能屬性，直接生成模型創造新序列。

三、四個關鍵問題：設計之前先想清楚

開展機器引導載體工程，先要明確四個問題：

圖3 四個關鍵考量：病毒載體、靶蛋白、工程化屬性、問題定義與數據規模

·選什么載體？AAV、LV還是AdV？它們的生物學特性差異巨大。

·改哪個蛋白？衣殼、包膜還是輔助蛋白？

·優化什么屬性？轉導效率、免疫原性、靶向特異性，還是可生產性？

·怎么收集數據？分類還是回歸？數據量夠嗎，質量好嗎？

四、喂飽AI模型：數據從哪來？

數據恰恰是最大瓶頸，有三大挑戰：

圖4 數據生成的三個挑戰：基因型-表型關聯、通量與生物學相關性、環境依賴性

·基因型-表型關聯：混合篩選中必須確保變異與功能一一對應。細胞庫格式能提升精度，但復雜度也更高。

·通量vs.相關性：高通量常用簡單替代指標，但復雜功能（如體內靶向）很難規模化檢測。

·跨環境翻譯：體外篩的優秀變體，到體內可能完全不同。

好消息是，蛋白質語言模型等自監督方法能有效緩解數據不足的問題，它已在數百萬天然序列上預訓練，只需少量實驗數據微調，就能輸出不錯的預測。

五、22項研究盤點：機器引導設計有多強？

論文梳理了近五年22項關鍵研究，系統對比了非ML與ML方法。

1. 非ML代表成果

· Ho等（2013）用SCHEMA構建AAV2/4嵌合衣殼，創造出具有新功能的雜交變體；

· Zinn等（2015/2022）用最大似然祖先序列重建，開發出轉導效率更高的AAV9祖先變體；

· Vu Hong等（2024）用AlphaFold2加Rosetta將TGF-β肽精準嫁接到AAV9衣殼。

2. ML代表性成果

· Bryant等（2021）首次將CNN/RNN用于AAV2衣殼設計，真實預測準確率達58%，開創性意義重大。

· Eid等（2024）用單一模型同時優化AAV9衣殼多個屬性，且跨物種驗證效果。

· Xiao等（2026）用擴散模型生成衣殼變體，代表了生成式AI在載體設計中的前沿。

· Ferraz等（2026）用蛋白質語言模型結合強化學習，實現AI自主探索設計空間。

趨勢很明顯：ML已主導功能優化（趨向性、免疫逃逸），非ML更多用于生物物理性質評估。兩者各有所長，ML的潛力才剛剛開始釋放。

六、前方的路：多蛋白、多目標、更多可能

展望未來，這篇綜述給我們指出了三個方向：

圖5 挑戰與機遇：多蛋白載體、多屬性優化、超越蛋白質設計

· 多蛋白載體：載體包含衣殼、包膜、輔助蛋白，組件間相互依賴，未來需要神經網絡建模整個"蛋白團隊"。

· 多屬性優化：載體需要在靶向效率、免疫原性、可生產性之間權衡取舍，這正是多目標機器學習與生成模型的舞臺。

· 超越蛋白質設計：還可拓展至RNA結構優化、密碼子使用、調控元件設計，甚至脂質納米顆粒和糖基化工程的智能化設計。

結語：

我們不盲目崇尚AI，而是冷靜審視機器引導方法在病毒載體工程中能夠做到什么、能夠做成什么樣子。

基因治療載體設計正從試錯走向預測，從經驗驅動走向數據驅動。AI不會取代實驗科學家，但它將成為最強導航，幫我們更快找到對的路線。

參考文獻：

Rodrigues, A.F., Ferraz, L., Pesquita, C. Machine-guided design for bioengineering gene therapy vectors: Where are we and what lies ahead? Biotechnology Advances, 2026, 90, 108925.

識別微信二維碼，添加生物制品圈小編，符合條件者即可加入

生物制品微信群！

請注明：姓名+研究方向！

本公眾號所有轉載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉載的媒體或個人可與我們聯系(cbplib@163.com)，我們將立即進行刪除處理。所有文章僅代表作者觀不本站。