用AI重新設計賦予蛋白酶進化更高的起點，改造天然序列解鎖超過79倍特異性提升

編輯丨&

蛋白質進化一直是生命科學中創(chuàng)造新功能的重要方式。

通過定向進化，科學家可以讓天然蛋白獲得新的催化能力、底物偏好或更高活性。但這一過程始終面臨一個限制：蛋白序列并不是越容易改變越好。許多突變雖然能夠帶來新的功能，卻也會破壞蛋白穩(wěn)定性，使后續(xù)進化陷入瓶頸。

那么，如果在進化開始之前，先利用 AI 重新設計一個更加適合作為「起點」的蛋白，是否能夠讓后續(xù)進化探索更廣闊的空間？

來自哈佛大學、Broad研究所和霍華德·休斯醫(yī)學研究所等的研究人員，于 2026 年 7 月 22 日在《Nature》發(fā)表了一項研究「AI-redesigned starting points and outcomes enhance protein evolution」，為這一困境提供了一個出人意料的解決方案。

論文鏈接：https://www.nature.com/articles/s41586-026-10820-0

為進化墊高起點

自然界經過數(shù)億年的演化，已經產生了大量具有穩(wěn)定結構和功能的蛋白。然而，當科學家希望讓這些蛋白獲得自然界中不存在的新能力時，天然序列往往并不是最理想的起點。原因在于，蛋白功能和穩(wěn)定性之間存在復雜平衡。

一個蛋白如果過于穩(wěn)定，可能難以產生新的結構變化；但如果突變過多，又可能導致蛋白無法正確折疊，失去原本功能。因此，實驗進化過程中存在一個核心矛盾：如何在保持蛋白基本結構和活性的同時，讓它擁有更多可以探索的新序列空間。

這正是論文中 AI 設計方法發(fā)揮作用的位置。不過，這并非意味著讓 AI 直接設計新功能——那仍超出當前能力邊界——而是讓 AI 重設計已有酶的序列，在不觸動催化核心的前提下系統(tǒng)提升穩(wěn)定性。他們將這個概念稱為「AI-redesigned starting points」（AI 重設計進化起點）。

圖 1：整合計算蛋白序列設計與連續(xù)進化的概述，以及穩(wěn)定化 BoNT/E 蛋白酶的重新設計。

為什么選擇肉毒桿菌神經毒素（BoNT）蛋白酶？這類酶已被證明可通過 PACE 重編程底物特異性，且其天然底物 SNAP25 與許多治療靶點差異巨大。更重要的是，歷史經驗表明，從野生型 BoNT 出發(fā)重編程后，變體往往穩(wěn)定性下降、表達量降低——恰好是檢驗「起點質量」的試金石。

為了重新設計這些蛋白，研究團隊使用了兩種AI輔助蛋白優(yōu)化方法：

一種是基于結構信息的序列優(yōu)化方法ProteinMPNN；另一種是用于提高蛋白穩(wěn)定性的設計工具PROSS。兩種方法雖然目標相似，但設計邏輯不同。

ProteinMPNN 根據(jù)蛋白三維結構信息，預測哪些氨基酸組合更可能形成穩(wěn)定結構。它并不是簡單尋找與天然序列相似的替代方案，而是在保持整體結構約束的情況下，探索更加適合該結構的新序列。

PROSS 則主要關注蛋白穩(wěn)定性，通過分析結構中的關鍵區(qū)域，對可能影響折疊和穩(wěn)定性的位點進行優(yōu)化。

研究人員隨后將這些 AI 重新設計后的序列進行實驗驗證，篩選出能夠正確表達、保持催化能力，并且具有更高穩(wěn)定性的蛋白變體。

這些經過 AI 優(yōu)化的蛋白，成為后續(xù)實驗進化的新起點。

圖 2：結合 PACE 進化的 BoNT/E 突變與 ProteinMPNN 重設計，提升了重編程 PTEN 切割 BoNT/E 蛋白酶變異的表達水平和活性。

特異性差距的背后

團隊選擇了三種不同的 BoNT 蛋白酶作為模型體系，并分別構建了天然序列起點、AI 優(yōu)化序列起點以及經過穩(wěn)定性改造的序列起點。隨后，研究人員利用 PACE 系統(tǒng)對這些蛋白進行連續(xù)進化，通過不斷施加選擇壓力，觀察不同起始蛋白是否能夠產生更優(yōu)的新功能。

實驗結果顯示，AI 重新設計的蛋白確實改變了進化軌跡。

與天然蛋白相比，經過 AI 優(yōu)化后的起點更容易產生具有目標功能的變體。這說明 AI 設計并不是簡單提高某一個蛋白當前狀態(tài)下的性能，而是在改變蛋白能夠探索的序列空間，使后續(xù)實驗進化更容易找到有效方向。

圖 3：PACE 底物面板上序列設計蛋白酶的進化性。

為了進一步測試 AI 輔助進化是否能夠產生新的功能，研究團隊不僅關注蛋白活性的提高，還檢測了這些進化后蛋白是否能夠識別新的目標底物。

其中一個重要實驗，是針對 Ataxin-2 蛋白序列的切割能力測試。

Ataxin-2 是一種與神經退行性疾病相關的重要蛋白。研究人員希望觀察，通過 AI 優(yōu)化起點并結合 PACE 進化，是否能夠讓 BoNT 蛋白酶獲得針對新底物的識別能力。

實驗顯示，經過 AI 重新設計和后續(xù)進化后的蛋白，能夠產生更強的 Ataxin-2 切割活性，同時保持較好的底物選擇性。其中部分變體相比原始蛋白，在目標識別能力上實現(xiàn)了顯著提升，特異性最高提高約 79 倍。

圖 4：序列重設計與 WT 蛋白酶的重編程，特異性地切割治療性非天然靶點。

自然選擇到計算預選擇

AI 重新設計提供了一種新的入口：先利用結構信息和機器學習方法優(yōu)化蛋白基礎屬性，再讓實驗進化在更有潛力的空間中繼續(xù)搜索。

這種方法將計算設計與實驗選擇結合起來，使蛋白工程從單純依賴隨機探索，逐漸轉向更加有方向性的探索。

當然，這一方法仍然存在限制。例如，AI 設計是否能夠推廣到更多類型蛋白，如何進一步預測哪些設計起點最適合特定進化目標，以及如何降低實驗篩選成本，仍然需要進一步研究。

當穩(wěn)定性不再是瓶頸，蛋白質進化的搜索空間從懸崖邊的狹窄小徑，擴展為高原上的廣闊平原。未來的定向進化，或許不再始于自然，而始于 AI 鋪好的臺階。