给普通人看的：AI 先「加固」酶，再进化，比从野生型出发更强

发表于 | 分类于 ，
科普解读 Krasnow / Liu 等 Nature 2026：用 ProteinMPNN 重设计更稳的 BoNT 蛋白酶起点，再经 PACE 进化，获得更高活性与对 ataxin-2 的特异切割。

实验室里「改造酶」常见两条路：

  1. 定向进化：像育种一样，反复突变、筛选，逼酶学会新本事；
  2. 计算设计：用 AI 改氨基酸序列，让蛋白更稳、更好表达。

各自的短板也很清楚：进化常换功能换掉稳定性；计算设计擅长稳住骨架，却不擅长凭空发明全新催化偏好。

Broad / Harvard 的 Krasnow、Liu 等人在 Nature（2026）给出一条很实用的合奏：先用 AI（主要是 ProteinMPNN）把天然蛋白酶「加固」成更好的起点，再拿去连续定向进化（PACE）学新切割目标。 同条件对照里，AI 起点一路跑赢野生型（wild type，WT）起点；改造成切割神经退行相关蛋白 ataxin-2 时，选定特异性可比最好的 WT 进化产物高出 79 倍以上。

段末注释：ProteinMPNN 是给定三维骨架、预测兼容氨基酸序列的逆折叠模型；PACE（phage-assisted continuous evolution，噬菌体辅助连续进化）可在一天内完成数十代突变–选择–扩增。后文沿用缩写。

项目 内容
题目 AI-redesigned starting points and outcomes enhance protein evolution
期刊 Nature（2026-07-22，Open Access，CC BY 4.0）
作者 Nicholas A. Krasnow、Joy A. Xu、Emily Zhang 等；通讯 David R. Liu（Broad / Harvard / HHMI）
DOI 10.1038/s41586-026-10820-0
设计流程代码 sequence-design-guide

一句话版本：

别再默认「进化必须从天然蛋白起跑」——先把蛋白稳固预算加厚，再去学新功能，能跑得更快、更远、更专一。

为什么难？稳定性是「进化预算」

多数天然蛋白只是勉强能折叠。进化要的新突变，往往让骨架更不稳；预算花光，酶就垮、不溶、表达差——新功能也就到不了。

可以把它想成登山：

稳定性预算示意（科普漫画；非原文图）

  • WT 起点：背包几乎空了，再塞「新底物识别」这类重物就容易摔下山；
  • AI 加固起点：先把底盘拧紧，同样的突变（甚至更猛的突变）还能站得住。

过去也有人先进化「更稳」，再进化「新功能」，但多一轮进化费时费力，还容易「作弊」。作者的假设是：用计算重设计一次性抬高稳定性，再进 PACE，性价比更高。

段末注释：稳定性–活性权衡（stability–activity trade-off）指获得新功能的突变常牺牲折叠/可溶性；后文说「预算」即指可被消耗的稳定裕量。

实验主角：肉毒杆菌神经毒素蛋白酶

他们选的模型是 BoNT（botulinum neurotoxin，肉毒杆菌神经毒素）的蛋白酶结构域——Botox 一类制剂里负责「剪断」特定底物的那把剪刀。天然底物主要是神经元里的 SNAP25 等 SNARE 蛋白。

为什么挑它？

  • 团队已有成熟的 蛋白酶 PACE 回路：噬菌体能不能繁殖，取决于蛋白酶有没有剪对目标肽段；
  • 可同时做负选择，惩罚剪错「不该剪」的底物；
  • BoNT 全毒素本来就能进神经元，远期有「把切割能力送到病相关蛋白上」的想象空间。

本文主战场是 BoNT/E，并在 BoNT/F、BoNT/X 上验证「加固」可推广。

段末注释：SNAP25 是天然 BoNT/E 底物；负选择通过激活抑制噬菌体增殖的基因，压低脱靶活性。

他们怎么做？（两步走）

原文 Fig.1a 把故事画成左右两半：左边——AI 重设计可「救回」已进化酶的稳定性；右边——加固后的起点，在并行 PACE 里打开更高、更宽的功能空间。

原文 Fig.1：流程总览与 BoNT/E 加固表征

步骤 1：ProteinMPNN「改衣服不改刀口」

输入是蛋白酶的三维结构。设计时锁死：

  • 靠近底物 / 催化锌离子一定距离内的残基（试了约 14 Å 与 18 Å）；
  • 进化上高度保守的位点（30% / 60% 阈值阈值）；

其余位置交给 ProteinMPNN 重写序列，再用 AlphaFold2 检查是否仍像目标结构。也对比了物理能量方法 PROSS。

BoNT/E 上实测约 74 个设计：

  • 78% 仍有催化活性；
  • 45% 切割速率 ≥ WT；
  • 30% 既保活性又提高可溶表达；
  • 优等生 D1–D3：热稳定性更好，催化效率 k_cat/K_m 约 1.7–2.8 倍于 WT（D2 约 310 mM⁻¹·s⁻¹ vs WT 110 mM⁻¹·s⁻¹）。

段末注释：k_cat/K_m 是低底物浓度下「酶干得多快」的综合指标；T_m（melting temperature，熔解温度）越高，热稳定性通常越好。

步骤 2：并排 PACE——同一条赛道，比谁起点更好

他们把 SNAP25 改成难度递增的三种变体底物（415 → 413 → 412），用自动化 ePACE 实验池并行：一半从 WT 起跑，一半从加固的 D3（及后来的 D4、PROSS1）起跑，其余选择压力尽量一致。

最后还把「进化出来的突变」嫁接到对方背景上——这是整篇最关键的对照：如果突变在对方身上失效，说明不是运气，而是起点决定了哪些序列空间「可住」。

发现了什么？

1）加固起点：活性更高、成功更稳、路更近

原文 Fig.3 是三场难度升级的「同台竞技」：

原文 Fig.3：WT vs D3 在三档难度底物上的进化结果

人话摘要：

难度 现象（科普版）
低（415） 两边都能进化成功，但 D3 终点活性显著更高
中（413） D3 噬菌体滴度恢复更快；局部单突变就够用，适应更快
高（412） WT 有一半实验失败；D3 四场全成；关键突变如 K225E 在 WT 背景几乎不能用

机制图景：WT 常要先攒「补偿性稳定突变」，才能扛住真正提活性的突变；D3 预算够，不必绕那么远。深度测序（Fig.4）也显示：D3 实验早期就能靠「离起点近」的基因型撑过选择，WT 则更依赖更远的多突变组合。

2）换别的加固方案也行，甚至「慢但稳」也能赢

Fig.5 把 D4（很稳但起始催化慢约 20 倍）和 PROSS1 也拉进同一组底物。结论很硬：

  • 多种重设计起点，进化终点普遍优于 WT；
  • 即便起始催化变差，只要更稳，仍可在进化里反超；
  • 把各起点进化出的基因型交叉嫁接：重设计背景大多「接得住」，WT 背景系统性接不住许多高活性基因型。

用蛋白语言模型嵌入空间可视化时：WT 的适应度景观稀疏，单碱基突变几乎没活；重设计则把起点附近和远处的适应度整体抬高——这就是标题里 starting points and outcomes 的双关：起点更好，结局也更好。

3）「救回」已经进化过的酶

他们把先前 PACE 得到的 PTEN 切割酶突变，嫁接到 D1–D3 骨架上（Fig.2）：表达与稳定性回升，新特异性还在，哺乳动物细胞里产物更多。说明工作流不只「进化前加固」，也可「进化后回炉」。

原文 Fig.2：把已进化突变嫁接到 AI 加固骨架

4）应用向终点：专切 ataxin-2，几乎不碰 SNAP25

ataxin-2 与神经退行相关；切掉其紊乱区域里某段，已知可减少有害凝聚。团队做双选择：要切 ataxin-2，又要尽量不切天然 SNAP25。

原文 Fig.6：ataxin-2 重编程与特异性对比

关键数字（相对最好的 WT 进化产物）：

  • on-target 切割更快（约 1.4–1.7 倍）；
  • 选定特异性高出约 79 倍（另一株 >56 倍）；
  • 顶级设计–进化株相对天然 BoNT/E 序列差约 16%（含 ProteinMPNN + 进化突变），WT 进化株只差约 2.4%；
  • 把 D3 进化突变嫁回 WT → 完全没活性；反向嫁接则 D3 背景仍可用——再次证明：这些「几乎绝对特异」的解，天然起点根本进不去。

细胞共转染里，设计–进化株表达更高、产物更干净；毒性相关读出也更友好（与更高特异性一致）。

段末注释：选定特异性此处定义为 on-target（ataxin-2）相对 off-target（SNAP25）的切割速率比；文中「79-fold」是相对最佳 WT 进化变体的比较，不是相对未进化酶。

这对普通人意味着什么？

  1. 蛋白工程的「默认起跑线」可能要改：先算力加固，再湿实验进化，往往比死磕天然序列更划算。
  2. AI 当下的强项要对准使用场景：现阶段计算设计最稳的是抬稳定性 / 表达；新功能仍适合交给高通量进化。两者拼接，才补齐各自短板。
  3. 治疗想象：用户指定切割位点的蛋白酶，理论上可干预凝血、细胞命运、淀粉样过程等——但文中 ataxin-2 工作仍是研究阶段工具，离成药还有很长的递送、安全与体内验证。

同时要心里有数：

  • 证据主要来自 BoNT 蛋白酶 + PACE；推广到任意蛋白需更多案例（作者自己也这么写）；
  • 加固本身有稳–活权衡（如 D4），选哪个设计进进化仍需实验面板；
  • 开源的是设计流程指南，完整湿实验材料以原文补充信息为准。

用一张小表收尾

问题 答案（科普版）
想解决什么？ 定向进化常用完稳定性预算，新功能又慢又弱又不专
怎么做？ ProteinMPNN（及 PROSS）先加固 → 并排 PACE 学新底物
剪谁？ 模型：BoNT 蛋白酶；应用试点：ataxin-2
效果？ 更稳更快更成功；ataxin-2 选定特异性 >79× 最佳 WT 进化株
可信度？ 多底物、多起点、实验池 + 突变交叉嫁接；正式期刊 OA
离药房还有多远？ 还早——更像「怎么造更好的研究用剪刀」的方法论

读完记住一句就够：

他们不是让 AI 直接「发明一把新刀」，而是先把刀柄焊牢，再交给实验室进化去换刀刃——结果刀更快、更稳，还能几乎只剪你指定的那根绳。

想继续往下挖（可选）

-------------本文结束感谢您的阅读-------------