AI重塑蛋白质工程：刘如谦团队Nature新范式，稳定性与进化力双突破

突破天然局限：AI开启蛋白质工程新路径

在蛋白质工程领域，长期存在一个核心悖论：天然酶虽然经过亿万年进化优化，但在面对人工设定的非天然底物或极端环境时，往往表现出稳定性不足或催化效率低下的缺陷。传统的定向进化策略通常直接以天然酶为起点，通过随机突变和筛选来寻找更优变体。然而，这种“盲盒式”的探索不仅效率低下，且极易因突变累积导致蛋白质结构崩塌，陷入“稳定性-活性”的权衡困境。

哈佛大学教授刘如谦（David R. Liu）团队近期在《Nature》发表的研究，为这一难题提供了极具颠覆性的解决方案。该研究并未沿袭传统路径，而是引入人工智能作为进化的“加速器”和“稳定器”。通过利用AI模型ProteinMPNN对天然蛋白酶进行序列重设计，团队成功获得了兼具高稳定性与高催化效率的变体，并以此作为噬菌体辅助连续进化（PACE）的起点。这一“先设计稳定性，再进化功能”的工作流，不仅显著提升了蛋白酶对新底物的适应能力，更证明了AI驱动的蛋白质重新设计可以成为蛋白质科学中的通用范式。

计算设计：从序列到结构的精准重构

研究的核心在于如何在不破坏蛋白质功能的前提下，大幅提升其稳定性。团队以肉毒杆菌神经毒素E型蛋白酶（BoNT/E）为模型，因为该酶在神经退行性疾病治疗中具有潜在应用价值，但其天然形式在表达和稳定性上存在局限。

具体而言，研究团队利用ProteinMPNN模型对BoNT/E的氨基酸序列进行重新设计。这一过程并非随机生成，而是遵循严格的约束条件：保留底物识别和催化所需的关键残基不变，而其余位点则由AI根据蛋白质结构偏好进行重新生成。随后，利用AlphaFold2对设计出的序列进行结构评估，确保其折叠结构符合预期。

实验结果显示，AI设计的变体在表达水平和酶动力学性能上均优于天然酶。其中，D1、D2和D3三个变体表现尤为突出，最高催化效率达到野生酶的2.8倍。为了验证这一结果的普适性，团队还使用了另一款设计工具PROSS进行对比实验，同样获得了表达和稳定性改善的变体。这一发现表明，AI辅助的序列重设计并非依赖单一算法，而是具有广泛的适用性，能够有效地将不稳定的天然酶转化为更易于进化的“超级起点”。

PACE进化：在稳定基石上拓展功能边界

获得稳定化的AI设计变体后，研究团队将其引入噬菌体辅助连续进化（PACE）系统，以测试其作为进化起点的优势。PACE是一种自动化连续进化技术，能够在短时间内筛选出具有特定功能的蛋白质变体。

团队设计了三个难度递增的新底物（415、413和412），分别比较AI设计变体D3与天然酶在PACE进化中的表现。结果令人瞩目：在所有三个新底物上，基于AI设计起点的进化均获得了更高活性的变体。特别是在最难切割的底物412上，天然酶的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。此外，D3变体的PACE回路激活效率达到16至20倍，比天然酶变体高出约10倍。

更有趣的是，突变互换实验揭示了一个关键现象：部分有益突变仅在AI设计背景下有效，无法直接移植到天然酶中。这表明，AI设计不仅提供了更高的稳定性，还重塑了蛋白质的序列空间，使其能够探索天然酶无法触及的功能区域。这种“序列背景依赖性”为蛋白质进化提供了新的维度，意味着AI设计可以解锁天然酶无法实现的突变组合。

修复与提升：已有进化酶的二次优化

除了从头设计，AI重新设计在优化已有进化酶方面也展现出巨大潜力。研究团队选取了一个此前通过进化获得的PTEN切割变体E(4130)A2，该变体虽然具备切割PTEN的能力，但存在表达低、稳定性差的缺陷。

团队将E(4130)A2中的进化突变移植到AI重新设计的D1、D2和D3骨架中。结果显示，新蛋白酶不仅保留了PTEN切割能力，且未重新切割天然底物SNAP25，实现了特异性的保持。更为关键的是，表达水平得到显著提升：在大肠杆菌中，表达量提高了2.2至5.2倍；在HEK293T细胞中，D2和D3变体的表达量提高超过24倍，PTEN切割产物分别增加4.5倍和3.9倍。这一结果证明，AI设计可以作为“通用骨架”，通过整合已有的功能突变，快速修复稳定性损失，从而加速治疗性蛋白的开发进程。

拓展治疗边界：靶向Ataxin-2的突破

研究的另一大亮点在于将蛋白酶的功能拓展至与神经退行性疾病相关的非天然靶点——Ataxin-2。Ataxin-2蛋白的异常聚集与肌萎缩侧索硬化症（ALS）等神经退行性疾病密切相关。BoNT/E原本不具备切割Ataxin-2的能力，团队选择其1181-1201位残基作为新的切割区域，试图通过进化赋予蛋白酶这一新功能。

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，基于AI设计起点产生的D3进化变体在切割Ataxin-2时表现出更快的速度和更高的特异性。其切割速度比天然酶起点得到的变体提高1.4-1.7倍，且在细胞实验中未检测到对天然底物SNAP25的切割。在HEK293T细胞中，AI设计起点得到的变体表达更高，产生的Ataxin-2切割产物更多，副产物更少。这一成果不仅验证了AI设计在拓展蛋白酶底物特异性方面的有效性，也为开发针对神经退行性疾病的治疗性酶提供了新的候选分子。

挑战与展望：从实验室到临床的距离

尽管该研究取得了显著进展，但团队也客观指出了当前方法的局限性。首先，研究主要围绕BoNT/E蛋白酶展开，其成功部分得益于该蛋白能够通过序列重新设计显著提高稳定性，且功能可在PACE中被有效选择。对于其他类型的蛋白质，该方法是否同样有效，仍需更多验证。

其次，目前针对Ataxin-2的靶向蛋白酶仍处于工具酶和早期应用验证阶段。虽然体外实验结果令人鼓舞，但要将其应用于临床，还需进一步研究其在体内破坏致病性Ataxin-2包涵体的效果，以及是否能改善神经退行性疾病相关表型。

最后，安全性是未来应用中的关键问题。在切割非天然靶标时，除了提高目标切割效率，还必须尽可能减少对天然底物的切割，并系统评估潜在脱靶效应、细胞毒性、递送方式和免疫安全性。只有解决这些安全顾虑，AI驱动的蛋白质工程才能真正从实验室走向临床应用，为人类健康带来实质性改变。

总体而言，刘如谦团队的研究不仅展示了AI在蛋白质设计中的强大能力，更确立了一种可复制、可扩展的蛋白质工程新范式。通过“计算设计+连续进化”的闭环策略，科学家有望突破天然进化的限制，加速新酶、新型治疗蛋白以及其他功能蛋白的开发，推动合成生物学和精准医疗进入一个新的时代。