Nature新突破：AI如何重塑蛋白质进化起点，开启工程通用范式？

在合成生物学与人工智能交叉的前沿领域，一项具有里程碑意义的研究正在重新定义蛋白质工程的边界。哈佛大学华裔科学家刘如谦（David R. Liu）团队在《Nature》发表的最新论文，不仅展示了AI在蛋白质序列设计中的卓越能力，更揭示了一种全新的“计算设计+实验室进化”协同工作流。这项工作证明了，通过人工智能预先优化蛋白质的稳定性，可以极大地拓展后续定向进化的空间，从而获得针对非天然靶点兼具高催化效率与高特异性的蛋白酶。这一发现标志着蛋白质工程从“盲目筛选”向“智能引导”的关键范式转移。

传统蛋白质工程中，天然酶往往被直接作为定向进化的起点。然而，天然酶在进化过程中面临着严峻的热力学困境：为了适应新的催化功能或底物特异性，酶的结构往往会发生扭曲，导致稳定性下降。这种稳定性与功能之间的权衡（Trade-off），使得许多经过人工改造或实验室定向进化获得的蛋白质变体，常常面临表达量低、易降解或催化活性不足的问题。过去十年间，研究人员致力于解决这一矛盾，但往往局限于对特定酶的微调，缺乏通用的解决方案。

刘如谦团队提出的创新策略，核心在于打破这一死循环。他们不再直接从天然酶开始进化，而是先利用人工智能模型ProteinMPNN对天然蛋白酶进行序列重设计。在这一阶段，AI模型保留底物识别和催化所需的关键残基，而对其余位点进行重新生成，旨在最大化结构稳定性。随后，这些经过AI“加固”的蛋白酶变体被用作自动化连续进化的起点。这种“先设计稳定性，再进化功能”的双步策略，为蛋白质在极端功能需求下的存活提供了坚实的结构基础。

以肉毒杆菌神经毒素E型蛋白酶（BoNT/E）为模型的研究结果令人瞩目。BoNT/E是一种重要的治疗性蛋白酶，但在实际应用中受限于其稳定性和底物特异性。研究团队首先利用ProteinMPNN重新设计了BoNT/E的序列，并结合AlphaFold2进行结构评估。结果显示，大多数AI设计的变体不仅能够切割天然底物SNAP25，其中表现最优的D1、D2和D3变体，其催化效率甚至达到了野生酶的2.8倍。为了验证这一流程的普适性，团队还使用了另一种计算工具PROSS进行重新设计，同样获得了表达、稳定性和酶动力学的显著改善，并将这一流程成功拓展至BoNT/F和BoNT/X等其他肉毒杆菌蛋白酶，证明了该方法的通用性。

在获得稳定化变体后，研究进入了更复杂的阶段：并行噬菌体辅助连续进化（PACE）实验。PACE技术允许在体外模拟数百万代的进化过程，快速筛选出具有特定功能的蛋白质变体。研究人员比较了AI设计变体D3与天然酶作为进化起点的适用性。实验设置了一系列难度递增的新底物（415、413和412），观察两类起点在筛选过程中的表现。数据清晰地显示，基于AI设计的D3变体在所有新底物上均获得了更高的活性。特别是在最难以切割的底物412上，天然酶在四组实验中仅有两组成功获得有效变体，而D3变体则四组全部成功。更有趣的是，D3变体的PACE回路激活倍数高达16至20倍，比天然酶变体高出约10倍，这直接反映了AI设计变体在进化过程中的可塑性优势。

突变互换实验进一步揭示了AI设计带来的深层结构改变。研究人员发现，部分在AI设计背景下有益的突变，在天然酶背景下完全无效。这表明，AI通过重新设计序列，改变了蛋白质的能量景观（Energy Landscape），使得原本在天然结构中不利的突变路径变得可行。换句话说，AI不仅修复了稳定性，还重新编码了蛋白质的进化轨迹，使其能够探索天然酶无法触及的功能序列空间。

除了新底物的开发，AI重新设计在优化已有进化酶方面同样表现出色。此前，研究人员曾通过进化获得了能够切割PTEN（一种与癌症相关的抑癌蛋白）的BoNT/E变体（E(4130)A2）。然而，该变体存在表达低、稳定性差的缺陷，限制了其实际应用。研究团队将PTEN切割相关的进化突变移植到AI重新设计的D1、D2和D3骨架中。结果令人振奋：新蛋白酶不仅保留了PTEN切割能力，且未出现对天然底物SNAP25的脱靶切割。在大肠杆菌中，新变体的表达量提高了2.2至5.2倍；在HEK293T细胞中，D2和D3变体的表达量更是提高了超过24倍，PTEN切割产物的产量分别增加了4.5倍和3.9倍。这一结果证明了AI骨架对于承载复杂进化突变的强大包容性。

研究的另一大亮点在于向神经退行性疾病治疗靶点的拓展。Ataxin-2蛋白与脊髓小脑性共济失调等神经退行性疾病密切相关，其异常聚集形成的包涵体是致病的关键因素。BoNT/E天然不切割Ataxin-2，但研究团队将其1181-1201位残基区域作为新的切割目标。通过比较天然酶起点和序列重新设计起点的进化结果，团队发现，从D3出发进化出的变体切割Ataxin-2的速度提高了1.4至1.7倍。更重要的是，这些变体在对Ataxin-2的高效率切割下，几乎没有检测到对天然底物SNAP25的副反应。在细胞实验中，这些高特异性变体能够更有效地减少Ataxin-2聚集，且副产物极少。这为开发针对神经退行性疾病的蛋白降解疗法提供了极具潜力的工具酶。

然而，这一通用范式的全面推广仍面临挑战。首先，目前的成功案例主要集中在BoNT/E及其同源物上。这类蛋白具有较高的结构稳定性，且其功能可以通过PACE系统轻松选择。对于结构更为复杂、稳定性较低或难以在体外筛选的蛋白（如膜蛋白或大型复合物），AI设计起点是否能带来同等程度的提升，仍需大量验证。其次，虽然Ataxin-2靶向蛋白酶在体外和细胞模型中表现优异，但其体内安全性尚待评估。神经退行性疾病的治疗需要在全身或特定脑区递送酶，并严格控制脱靶效应。此外，免疫原性、细胞毒性以及长期使用的安全性问题，是临床转化前必须跨越的鸿沟。

从更宏观的角度看，刘如谦团队的这项研究不仅是一项技术突破，更是方法论的胜利。它证明了AI并非仅仅是预测结构的工具，而是可以主动构建进化起点的“设计师”。通过计算模拟降低进化的随机性，研究人员可以极大地提高发现高功能蛋白质的效率。这种“计算预优化+实验精细调控”的模式，有望成为蛋白质工程的通用标准流程。随着更多AI模型（如生成式AI在蛋白质从头设计中的应用）与高通量实验平台的深度融合，我们将有望在药物开发、工业酶制剂、生物材料等领域看到更多由AI驱动的颠覆性创新。

未来，随着对蛋白质能量景观理解的深入，以及AI模型训练数据的扩充，这种范式将更加精细化。研究人员可能不再仅仅关注稳定性，而是可以预先设计蛋白质的动态构象、变构调节位点甚至非天然化学基团的 incorporation。这将使蛋白质从“进化的产物”转变为“完全定制的工具”。尽管前路仍有挑战，但这一研究无疑为人类掌握分子生命语言提供了强有力的新键盘。在这个AI与生物技术深度融合的时代，重新设计生命的基础模块，已从科幻走向现实，并正在加速重塑生物制造的产业格局。